SC

MTODOS Y MODELOS
CUANTITATIVOS EN
INVESTIGACION
OPERATIVA
Sergio H. Castro
Ao 2015
SC

Gua de Trabajos prcticos utilizada en la asignaturas como Investigacin

Operativa, Mtodos y Modelos Cuantitativos, Sistemas de Gestin de la Facultad
Regional Crdoba Universidad Tecnolgica Nacional y de la Facultad de Educacin a
Distancia del Instituto Universitario Aeronutico que incluye temas de Mtodos y
Modelos para la Toma de Decisiones

MTODOS Y MODELOS CUANTITATIVOS

EN INVESTIGACION OPERATIVA

Contenido
METODOS Y MODELOS PARA LA TOMA DE DECISIONES ................................. 3
1.

Introduccin a la Teora de la Decisin. ................................................................... 3

2.

Mtodo Cientfico y Toma de Decisiones. ................................................................ 4

El Proceso De Toma De Decisiones: El Mtodo Cientfico ........................................................ 4
La Toma De Decisiones.............................................................................................................. 5
Enfoques en la Etapa de Anlisis en los Procesos de Toma de Decisiones ............................... 6
Tipologa de las situaciones de decisiones: ............................................................................... 8
Elementos En Los Procesos De Toma De Decisiones ................................................................ 8
Los estados de la naturaleza cuando se debe tomar una decisin: Ambientes de Decisin .. 10
Las tcnicas y mtodos para tomar decisiones ...................................................................... 11

3.

Tipos de Decisiones. ............................................................................................... 12

Decisin Tomada Bajo Hechos Ciertos. ............................................................................... 12
Decisin Tomada Bajo Riesgos. ........................................................................................... 12
Decisin Tomada Bajo Hechos Inciertos. ............................................................................ 12
Decisin Creada Bajo Riesgo ............................................................................................... 13
Decisiones en entornos competitivos ................................................................................. 13

4.

Decisiones en Universo Cierto. ............................................................................... 13

Anlisis De Sensibilidad ........................................................................................................... 14
Importancia Del Anlisis De Sensibilidad ................................................................................ 15
Anlisis De Un Caso ................................................................................................................. 17
Programacin Lineal ................................................................................................................ 22
Programacin Multiobjetivo ................................................................................................... 22
Programacin Dinmica .......................................................................................................... 22

5.

Decisiones en Universo Aleatorio. .......................................................................... 23

Conjunto de Alternativas ........................................................................................................ 24

Conjunto de Estados de la Naturaleza o Ambientes de decisin............................................ 24
Diagramas de influencia .......................................................................................................... 24
Compensaciones ..................................................................................................................... 25
Funcin De Compensaciones .................................................................................................. 25
Funcin de Compensaciones................................................................................................... 26
rboles de decisin ................................................................................................................. 27
Funcin de Decisin ................................................................................................................ 29
Decisin ptima ...................................................................................................................... 29

6.

Decisiones con Relaciones de Dominancia. ............................................................ 30

7.

Decisiones en Universo Incierto. ............................................................................ 31

Enfoque del Pesimismo o de Riesgo nulo (Wald).................................................................... 31
Criterio Optimista: ................................................................................................................... 32
Enfoque de Optimismo Relativo o de Riesgo aceptable (Hurwicz) ......................................... 32
Enfoque de mnimo Lamento o mnimo Costo de Oportunidad (Savage) .............................. 34
Enfoque de Equiprobabilidad (Laplace o Lagrange)................................................................ 36

8.

Anlisis con probabilidades y con informacin perfecta. ....................................... 37

Valor De La Informacin Perfecta (Vip) ............................................................................... 38

9.

Enfoque de Informacin imperfecta usando Probabilidad condicionada de Bayes. 39

Anlisis de un Caso de Teora de la Decisin y Toma de decisiones. ...................................... 42
Ejercicios Adicionales .............................................................................................................. 61

Teora de la Decisin

METODOS Y MODELOS PARA LA TOMA DE DECISIONES

1. Introduccin a la Teora de la Decisin.
En la vida real, y tanto en el mbito profesional como el personal, nos
vemos enfrentados a multitud de situaciones en las que tenemos que
decidir entre varias alternativas. La propia optimizacin no es ms que una
forma de tomar una decisin entre unas alternativas factibles.
As, en su dimensin ms bsica, un proceso de toma de decisin puede
entenderse como la eleccin de lo mejor entre lo posible. Ahora bien,
segn se defina qu es lo mejor y qu es lo posible nos enfrentaremos a
distintas situaciones de decisin.
La optimizacin clsica tiene como caracterstica general que lo mejor, el
objetivo, es nico y est claramente determinado (excepto en optimizacin
multiobjetivo) y que lo posible, las soluciones factibles, no vienen
expresadas explcitamente sino en forma de restricciones y sin
incertidumbre (excepto en optimizacin estocstica, que no es precisamente
clsica)
Pero adems de estos contextos de decisin de optimizacin clsica, existen
otros que configuran lo que se suele denominar en trminos amplios la
teora de la decisin donde podemos considerar La teora de la decisin con
incertidumbre o riesgo, la decisin multicriterio y la teora de juegos.
Si analizamos las situaciones que ms dificultad llevan a la hora de tomar
una decisin, considerar que las consecuencias de las decisiones no pueden
ser controladas
nos permite describir grandes bloques para abordar el
anlisis para tomar las decisiones:
a) La teora de la decisin con certidumbre, normalmente identificada con
modelos de optimizacin clsica que incluye desde herramientas del
anlisis matemtico y algebra hasta el uso de tcnicas matemticas
como programacin lineal que permiten realizar el modelado de grandes
problemas donde en general se tienen necesidades por satisfacer con
cierto nmero de recursos limitados o escasos y con el objetivo de
lograrlo en forma ptima. A modo de ejemplo, esto significa la bsqueda
de un valor mximo cuando se trata de beneficios; o bien la bsqueda
de un mnimo cuando se trata de costos o esfuerzos a desarrollar
b) La teora de la decisin con incertidumbre o riesgo, en la que se analiza
la toma de decisiones con aleatoriedad o incertidumbre en los
resultados, de modo que las consecuencias de una decisin no estn
determinadas de antemano, sino que estn sujetas al azar.
c) La decisin multicriterio, en la que si bien dada una decisin sus
consecuencias estn perfectamente determinadas, lo que no est
definido tan claramente es qu es lo mejor, existiendo varios objetivos
en conflicto.
d) La teora de juegos, en la que las consecuencias de una decisin no
dependen nicamente de la decisin adoptada, sino, tambin de la que
elijan otros jugadores. En este contexto, los problemas de decisin con
aleatoriedad del bloque anterior suelen ser denominados juegos frente a

Teora de la Decisin
la naturaleza. Dentro de los modelos de donde participan varios
decisores se puede trabajar de manera competitiva o de manera
cooperativa entre ellos lo que propone anlisis diferentes entre estos
casos.
e) Tcnicas con algoritmos Genticos.

2. Mtodo Cientfico y Toma de Decisiones.

Un problema de Decisin se presenta cuando, frente a un problema, existe
ms de un curso de accin posible.
Sujetos intervinientes:

Decisor: es quien tiene el poder y responsabilidad de tomar la

decisin y responde por sus consecuencias.

Analista: es el encargado de estructurar el problema y ayudar al

decisor a visualizarlo.

TOMA DE DECISIONES
Es la interaccin e interrelacin entre

los sistemas, subsistemas y elementos de informacin

el decisor y su acto de decidir
el proceso de identificacin del problema o situacin
el proceso de tomar decisiones
los centros de decisin de la empresa
los estados de la naturaleza en que es preciso tomar una decisin
las tcnicas y mtodos para tomar decisiones
la pluralidad de opciones que puedan coexistir

El Proceso De Toma De Decisiones: El Mtodo Cientfico

Los pasos a seguir para la toma de decisiones aplicando el mtodo cientfico
en Investigacin Operativa son:
Definicin del problema:
-

establece las fronteras para todo lo que sigue

Recoleccin de datos:
-

Se est ms capacitado para resolver problemas si se tiene

informacin sobre ellos.
Deber reunirse informacin pasada, hechos pertinentes, y soluciones
previas a problemas semejantes.

Definicin de alternativas de solucin

-

El mtodo cientfico se basa en la suposicin de que las soluciones

existen.
En este paso se buscan las soluciones posibles y se enumeran.

Evaluacin de alternativas de solucin

Teora de la Decisin
-

Una vez enumeradas todas las alternativas de solucin, debern

evaluarse.
Comprar una por una con un conjunto de criterios de solucin u
objetivos que se deben cumplir.
Establecer rangos relativos de las alternativas de acuerdo a factores
que sean importantes para la solucin

Seleccin de la mejor alternativa

-

Aqu se toma la decisin de cul de las alternativas cumple mejor con

los criterios de solucin.

Puesta en prctica
-

La toma de decisiones en administracin debe llevar a actuar, la

alternativa seleccionada deber ponerse en prctica.

La Toma De Decisiones
"La toma de decisiones es un proceso de seleccin entre cursos alternativos
de accin, basado en un conjunto de criterios, para alcanzar uno o ms
objetivos"1. Herbet Simon2
Toma de decisiones es el trmino que generalmente se asocia con las
primeras cinco etapas del proceso de resolucin de problemas. As, la toma
de decisiones se inicia al identificar y definir el problema, y termina con la
eleccin de una alternativa, que es el acto de tomar una decisin.

Las tres primeras fases del proceso decisorio constituyen la Estructuracin

del Problema" y las dos ltimas fases son el "Anlisis del problema"

1
2

Herbet Simon, "The New Science of Management Decision", Harper and Row, New York, 1960.
01-EL PROCESO DE TOMA DE DECISIONES - Toskano cap2ahp

Teora de la Decisin
Ms detalladamente podramos decir que el proceso de toma de decisiones
se divide generalmente en cuatro partes o etapas:3
Estructuracin del problema de decisin: es parte del proceso de toma
de decisin que comprende los siguientes componentes:

Definicin del Problema: es el paso inicial para la toma de decisiones;

sin un problema bien definido, no hay objetivo definido y no hay una
solucin veraz.

Identificacin de Alternativas: es la deteccin de la cantidad de

opciones que tiene el decisor para efectuar la toma decisin.

Determinacin de Criterios: corresponde a las caractersticas ms

relevantes que los decisores han considerado para luego evaluar en
funcin a los criterios, que alternativa les resulta ms conveniente.
Existen dos tipos de criterios: cualitativos y cuantitativos.

Anlisis del problema de decisin: es parte del proceso de toma de

decisin consecuente de la estructuracin del problema de decisin, que
comprende los siguientes componentes:

Evaluacin de Alternativas: depende del mtodo de evaluacin,

considerando que la evaluacin se hace en base a los juicios y a la
experiencia del decisor, para el caso de tener criterios cualitativos; y
en base a hechos y/o datos histricos para el caso de tener criterios
cuantitativos.

Eleccin de una Opcin: en funcin de la evaluacin de las

alternativas, se obtiene una alternativa con mejor perspectivas que
otras.

Implementacin de la decisin: al tener la alternativa ms favorable, se

procede a su ejecucin.
Evaluacin de resultados: ya estando en ejecucin, los resultados que
genera la alternativa pasan a ser evaluados.
Enfoques en la Etapa de Anlisis en los Procesos de Toma de
Decisiones
Como vimos antes, la Etapa de anlisis del proceso de toma de decisiones
puede asumir dos formas bsicas: cualitativa y cuantitativa.

El anlisis cualitativo se basa primordialmente en el razonamiento y

la experiencia del decisor; incluye la impresin intuitiva que el decisor
tiene del problema.
Cuando se utiliza el enfoque cuantitativo, el analista se concentra en
los hechos o datos asociados al problema y desarrolla expresiones
matemticas que describen los objetivos, las restricciones y las
relaciones existentes en el problema. Despus, utilizando uno o ms
mtodos cuantitativos, el analista ofrece una recomendacin con base
en los aspectos cuantitativos del problema.

02-AHP Criterios de Seleccin de Personal cap2 toma de dec

Teora de la Decisin

Generalmente, al analizar un Proceso de toma de decisiones, se pueden

observar distintos puntos de vista al tomar una decisin, situacin que
muchas veces depende de quin o quienes deben tomar la decisin lo que
puede llevar a que se considere uno o ms criterios para tomar la
decisin.

Se denomina problemas de decisin de criterio nico o monocriterio o

monoobjetivo a aquellos en los que interviene solo un criterio u
objetivo en el proceso
se les denomina problemas de criterios mltiples o problemas de
decisin Multicriterio y Multiobjetivo en aquellos casos en que se
implican ms de un criterio de decisin. La caracterstica principal de
estos casos es que si bien conservan las mismas restricciones,
mientras que con un criterio se obtienen los mejores resultados, gran
cantidad de veces, en los otros criterios se encuentran valoraciones
muy contrapuestas.

Al tratar de estructurar el problema para luego continuar el anlisis e

independientemente del tipo de anlisis se puede identificar como otro
elemento de gran importancia es como se presentan el o los objetivos y las
variables del problema.
Una clasificacin simple seria considerar el concepto de campo continuo y
discreto que describira como se presentan las diferentes variables y
objetivos del problema a analizar.
Pero, Si nos referimos al objetivo a considerar, este puede ser expresado
utilizando una o varias funciones que se utilizaran para tomar las decisiones
o que forme parte del proceso de toma de decisiones con lo que
identificaramos dos tipos de escenarios que seran el de Multiobjetivo y el
de Multicriterio.
-

Escenario Multiobjetivo.
Escenario Multicriterio.

Teora de la Decisin
Tipologa de las situaciones de decisiones:
Las situaciones de decisiones se pueden clasificar en:
Programables: son problemas de decisin que tienen las siguientes
caractersticas:

Son bien definidos.

Son rutinarios.
Tienen la informacin adecuada.
Existen muchas reglas para seleccionar las alternativas.
Las decisiones se pueden tomar a travs de una tabla de decisin.

No Programables: son problemas de decisin que tienen las siguientes

caractersticas:

No son bien definidos.

No son rutinarios.
No se tienen la informacin adecuada.
No tiene tantas reglas para seleccionar las alternativas.
El criterio usado es de tipo personal, sentido comn; mayormente
usado en el proceso de simulacin.
Tienen una extensa base de datos, en muchos casos se hace
tedioso el procesamiento de la informacin.
Presencia de altos costos.

Elementos En Los Procesos De Toma De Decisiones

Conjunto de Alternativas
Son las Variables de decisin del Problema. Son Exgenas Controlables
Representan acciones o alternativas entre las que seleccionar
X={x1, x2,, xn}
Son todas las alternativas posibles, del ente las cuales debemos elegir un
elemento particular xj, tal que el mismo sea preferible o a lo sumo
indiferente a cualquier otro del conjunto, deberemos haber previamente
definido una relacin que me permita decir, por ejemplo, que x0 es
preferible a x1 o viceversa o ambas son indiferentes.

Conjunto de Estados de la Naturaleza o Ambientes de decisin

Son los estados que puede presentar la naturaleza. Son
Controlables.

Exgenas No

Y={y1, y2, , ym}

Compensaciones
Son consecuencias o resultados cij que surgen de la eleccin de la
alternativa Xi cuando la naturaleza presenta el estado Yj

Teora de la Decisin
Otros Conceptos a considerar
Alternativas: Posibles soluciones o acciones a tomar por el decisor.
Atributos: Caractersticas que se utilizan para describir cada una de
las alternativas disponibles pueden ser cuantitativas (atributos
objetivos) o cualitativas (atributos subjetivos), cada alternativa puede
ser caracterizada por un nmero de atributos (escogidos por el
decisor).
Objetivos: Los objetivos son aspiraciones que indican direcciones de
perfeccionamiento de los atributos seleccionados, estn asociados con
los deseos y preferencias del decisor.
Metas: Aspiraciones que especifican niveles de deseos de los
atributos.
Criterios: Los criterios son los parmetros, directrices y puntos de
referencia que van a permitir evaluar las opciones o alternativas que
se presenten en el proceso de decisin.
Relacin de Preferencia
En principio el conjunto X puede ser un conjunto de elementos cualesquiera,
finito o infinito, con tal que permita establecer la relacin de preferencia
antedicha; si fueran nmeros, o vectores de valores numricos, pueden
corresponder a una variable continua o discreta
Para que exista esa relacin de preferencia deber existir una aplicacin o
funcin d tal que me permita decir que d(x0) > d(x1) o viceversa o que
d(x0) = = d(x1), y esto puede ser en sentido cardinal (con nmeros reales)
o slo ordinal.
As si quiero optimizar en el sentido del mximo, tendr que hallar el
Max
d(x) = d(x0) de entre todos los valores de x correspondientes a X tal que
para x perteneciente a X es d(x0) d(x), para cualquier x.
Puede ocurrir que ms de un x cumplan con esa expresin y entonces sern
indiferentes. Tambin puede ocurrir que en lugar de maximizar debamos
minimizar en cuyo caso se reemplazar el Max por el min y el por el ,
pero tambin se puede seguir maximizando teniendo en cuenta que el
Max[-f(x)] = -min[f(x)] o bien min[-f(x)] = -Max[f(x)] dentro del rango de
valores posibles de x, es decir que haciendo d(x) = -d'(x) se puede calcular
el Max d'(x) sabiendo que su valor corresponder al -min d(x).
El Criterio define la motivacin por la cual se toma la decisin, ejemplo:
maximizar beneficios, minimizar costos, minimizar tiempos, maximizar
satisfaccin, etc.. Normalmente decimos que las alternativas tienen
atributos y cuando a estos atributos se le agregan preferencias del
decididor, se transforman en Criterios. Puede haber uno slo o varios
criterios. En el primer caso pueden encontrarse soluciones ptimas cuando
se dan ciertas circunstancias (corresponden a decisiones ESTRUCTURADAS),
en el segundo caso, donde hablamos de decisin Multicriterio, slo podemos
encontrar la decisin (o eleccin) que mayor satisfaccin le d al usuario.

Teora de la Decisin

Los estados de la naturaleza cuando se debe tomar una decisin:

Ambientes de Decisin
El Ambiente es el medio que rodea externamente al sistema, es una fuente
de recursos y de amenazas. Se conoce tambin con el nombre de Entorno o
Contexto.4
El sistema y el ambiente mantienen una interaccin constante, estn
interrelacionados y son interdependientes. La influencia que el sistema
ejerce sobre el medio ambiente regresa a l a travs de la
retroalimentacin. Igualmente, el ambiente condiciona al sistema y
determina su funcionamiento.
La supervivencia de un sistema depende de su capacidad para adaptarse,
cambiar y responder a las exigencias y demandas del medio ambiente
externo. Debido a que el ambiente est cambiando continuamente, el
proceso de adaptacin del sistema es dinmico y sensible.
Ya que el ambiente est conformado por otros sistemas, fenmenos o cosas
exteriores al sistema, el ambiente puede ser analizado como un sistema, en
ese caso se denomina Supersistema.
Si el analista del sistema requiere determinar si algo hace parte del medio
ambiente debe establecer si el sistema no tiene control sobre ese elemento,
no puede modificar sus caractersticas y conducta, pero se ve afectado por
el mismo.
AMBIENTES DE DECISIN
El anlisis de decisin implica el uso de un proceso racional para seleccionar
la mejor entre varias alternativas. "La bondad" de una alternativa
seleccionada depende de la calidad de los datos utilizados para describir la
situacin de decisin. Desde este punto de vista, un proceso de toma de
decisiones cae en tres categoras.

Decisiones bajo completa certeza o certidumbre: llamados

tambin determinsticos, debido a que se conocen completamente los
datos a utilizar.

Decisiones bajo completa incertidumbre: en la cual el decisor se

enfrenta a situaciones que nunca han ocurrido y que tal vez no
vuelvan a repetirse en el futuro de esa misma forma, no se conocen
las probabilidades de ocurrencia, adems no es posible que se le
genere a los datos la asignacin de ponderaciones que representen
su importancia en el proceso de decisin

Teora de Sistemas. Luz Arabany Ramrez C. Manizales. Colombia. 2002

10

Teora de la Decisin

Decisiones bajo riesgo: se basa en la teora de la probabilidad, que

hace uso de la teora moderna de la utilidad.

Decisiones en entornos competitivos y cooperativos con un

Oponente Racional:

Generalmente el resultado de la decisin depender, no slo de la eleccin

efectuada, sino tambin de un conjunto de circunstancias y hechos que no
dependen del decididor, a los que llamaremos Universo en el que ocurre la
decisin y que caracteriza al sistema en el cual operamos.
De acuerdo a ese Universo caracterizamos a los problemas de decisin de
criterio nico, en cuatro grupos dependiendo fundamentalmente del grado
de conocimiento que tengamos de ese Universo.
La existencia del Universo implica la existencia de un conjunto Y de
situaciones que se podrn presentar cada vez que el decididor elija un
elemento x de X, y del par (x,y), con x perteneciente a X e y perteneciente
a Y, el que determinar un resultado o compensacin por la decisin que
ser c(x,y) producto de haber tomado la decisin x y haberse presentado el
estado y, que indicar el resultado obtenido y si el mismo es mejor o peor
que el que se hubiera obtenido en otras circunstancias. A los elementos de
Y se los llama estados, y habitualmente por extensin del uso de la palabra
Universo, se habla de estados de la Naturaleza.
Las tcnicas y mtodos para tomar decisiones
Dependiendo de las diferentes combinaciones entre los elementos
descriptos anteriormente nos encontraremos con una gran cantidad de
herramientas que podrn utilizarse y entre ellas encontramos:

Uso de Mximos y mnimos para problemas de Universo Cierto

Teora de la decisin universos
Uso de Informacin Adicional y valor de la informacin
Teora de Juegos
Decisin Multicriterio.
Teora de la Utilidad

11

Teora de la Decisin
3. Tipos de Decisiones.
Los tipos de decisin que toma la gente dependen de cuanto saben o de la
informacin que tienen acerca de la decisin. Tres decisiones son definidas
y explicadas a continuacin:
Decisin Tomada Bajo Hechos Ciertos.
En este ambiente, quienes toman la decisin saben con certeza la
consecuencia de cada alternativa o decisin a seguir. Naturalmente, ellos
escogen la alternativa que maximizar su buen comienzo o con la que se
obtendrn mejores resultados. Por ejemplo, usted tiene $1.000 para invertir
en un perodo de un ao. Una alternativa es abrir una cuenta recibiendo el
6% de inters, y otra alternativa es invertir en un bono del gobierno
recibiendo el 10% de inters. Si ambas inversiones son seguras y
garantizadas y no existen variables externas que influyan sobre ellas,
entonces con certeza la mejor inversin ser la del bono del gobierno. Un
ao despus, estar con un inters de $100.
El anlisis de sensibilidad, tambin llamado de post-optimalidad, se utiliza
en situaciones de certeza debido a que estos modelo son de tipo esttico;
es decir, los coeficientes o parmetros considerados en el modelo que se
resuelven pueden no ser vlidos para la situacin actual en una realidad
cambiante. Por lo tanto, puede ser necesario revisar la solucin ya obtenida
por cambios en precios, costos, utilidades, coeficientes de consumo o
requerimientos de recurso, nuevos productos o cancelacin de algunos, etc.
Decisin Tomada Bajo Riesgos.
Aqu, la decisin tomada conoce la probabilidad de ocurrencia de cada
resultado. Nosotros sabemos por ejemplo, que la probabilidad de existencia
de un evento es de 0,25. En decisiones tomadas bajo riesgo, la decisin
tentativa maximizar su bienestar. Los modelos de teora de decisiones para
problemas de negocios se emplean es este ambiente tpico con dos criterios
equivalentes:
-

Maximizacin de la espera del valor monetario.

Minimizacin de esperar una prdida.

Decisin Tomada Bajo Hechos Inciertos.

En esta categora, las decisiones tomadas no son uniformes en las
probabilidades de las variaciones de los resultados. Por ejemplo, la
probabilidad de que exista inestabilidad monetaria en el pas no se conoce.
Algunas veces esto es imposible asociarlo a la probabilidad de que suceda
una nueva empresa o producto.
Pocos empresarios
informacin y saber
considerando. La
prximamente. Esta
complicada.

tienen la suficiente suerte para tener completa

acerca de los estados naturales sobre lo que se est
decisin tomada bajo riesgos ser discutida
es ms realista en las situaciones y un poco ms

12

Teora de la Decisin
Decisin Creada Bajo Riesgo
La decisin creada bajo riesgo es una decisin probabilstica de situacin,
varias clases de posibilidad de esta ndole pueden ocurrir, cada uno con una
probabilidad de suceder. En esta parte, nosotros vamos a considerar uno de
los ms populares mtodos de crear decisiones bajo riesgo, es decir,
seleccionando la alternativa que nos d el ms alto valor monetario.
Nosotros tambin miramos los conceptos de informacin perfecta y de
prdida de oportunidades.
Decisiones en entornos competitivos
En este caso el elemento xj X que se presentar frente a cada eleccin de
un elemento yi Y, depende de otro individuo que tiene intereses
contrapuestos con los individuos sujetos de las decisiones. Esta situacin se
presenta por ejemplo, en la lucha de dos empresas competidoras que se
disputan la conquista de los consumidores de un determinado producto. La
compensacin que puede recibir una de las empresas frente a cada una de
sus decisiones o eleccin de un elemento
xi X, depende
fundamentalmente de la decisin que tome la otra empresa cuyos intereses
estarn representados por la eleccin de los elementos xj X
Por las caractersticas que presentan este tipo de problemas, el estudio de
las decisiones se ha englobado bajo el nombre de Teora de Juegos de
Estrategias.
En el caso de un problema de decisin en un universo de conflicto u hostil,
el objetivo de la decisin ser: Minimizar las mximas prdidas o su
equivalente, Maximizar las mnimas ganancias.

4. Decisiones en Universo Cierto.

Como se menciona anteriormente, la teora de la decisin con certidumbre,
es normalmente identificada con modelos de optimizacin clsica que
incluye desde herramientas del anlisis matemtico y algebra hasta el uso
de tcnicas matemticas como programacin lineal que permiten realizar el
modelado de grandes problemas donde en general se tienen necesidades
por satisfacer con cierto nmero de recursos limitados o escasos y con el
objetivo de lograrlo en forma ptima.
En este caso se supone que se sabe exactamente cul es el elemento y del
conjunto Y que se presentar ante cada decisin x de X, es decir que se
conoce cabalmente la compensacin c(x) que se obtendr de cada decisin.
Esto ocurre cuando un elemento y de Y tiene muy alta probabilidad de
ocurrencia contra una probabilidad muy pequea o nula para los dems.
Tambin puede ocurrir esta situacin cuando los valores de c(xy) son
similares para cada valor de x variando los y.
En este caso la funcin es d(x) = c(x) y se podr elegir el valor de x que d
el mejor resultado, de acuerdo al criterio planteado (maximizar beneficios,
satisfaccin, calidad, etc., o minimizar costos, tiempos, etc.), que por ahora
ser uno y slo uno a menos que hablemos de multicriterio

13

Teora de la Decisin
A continuacin se utilizara un caso para describir algunos de los mtodos
mencionados y desarrollar un anlisis de sensibilidad considerando las
situaciones de certeza que se presentan modificando algunos coeficientes o
parmetros considerados en el modelo que permiten relacionar ms
fcilmente el modelo en una realidad cambiante.
Anlisis De Sensibilidad
El Anlisis de Sensibilidad busca medir cmo se afecta el objetivo y otras
variables de un modelo, cuando una o varias variables o coeficientes que
conforman los supuestos, bajo los cuales se elabor el modelo, se
modifican.
Cuando se habla de cambios, se pueden mencionar algunos como la
disminucin de ingresos o el aumento de costos o la variacin de
restricciones, etc.
El anlisis de sensibilidad consiste en suponer variaciones que algunos de
las constantes del modelo que actualmente se conocen y se suponen como
valores con certeza y castiguen los valores de la funcin objetivo, por
ejemplo una disminucin de cierto porcentaje en ingresos, o un aumento
porcentual en los costos y/o gastos, etc. (Por ejemplo la tasa de inters, el
volumen y/o el precio de ventas, el costo de la mano de obra, el de las
materias primas, el de la tasa de impuestos, el monto del capital, etc.) y, a
la vez, mostrar la holgura con que se cuenta para su realizacin ante
eventuales cambios de tales variables en el mercado.
Algunas de las preguntas ms frecuentes para indagar el Anlisis de
Sensibilidad son:
1. Cunto podran variar los ingresos, costos y/o gastos?
2. Qu porcentaje de variacin debera suponerse?
La respuesta depende de cul es la magnitud de riesgo existente en la
actividad de la firma.
Si se asume que, el riesgo es del 10%, esa situacin podra resultar de:
Volumen de ventas menor al estimado. Pero se podra adquirir menos
materia prima, materiales y otros insumos para producir un menor
volumen.
Baja de precio de venta de los productos.
Incremento del costo de la materia prima, materiales e insumos.
Para realizar el anlisis de sensibilidad es aconsejable suponer variaciones
en ingresos y costos de hasta un mximo del 10%, de las cifras
originalmente calculadas sin riesgo, aunque no debera tomarse esta
afirmacin dogmticamente.
Si se considera que, el riesgo es mayor al 10% de variaciones, por ejemplo
el 18%, entonces es mejor preparar varias propuestas que incluyan

14

Teora de la Decisin
variaciones del 15%, 18%, 20%, etc., o mejor an recurrir a un modelo de
simulacin, que simule una gran gama de variaciones combinadas.
Como ejemplo se deseara saber cul sera la situacin del objetivo si se
produce solo el 10% de los ingresos totales, con la disminucin del 10% de
ingresos, un incremento del 10% de costos y gastos, sin cambio en el nivel
de sus ingresos (compensacin).

Importancia Del Anlisis De Sensibilidad

La importancia del anlisis de sensibilidad se manifiesta en el hecho de que
los valores de las variables que se han utilizado para llevar a cabo la
evaluacin del modelo pueden tener desviaciones con efectos de
consideracin en la medicin de sus resultados.
La evaluacin del modelo ser sensible a las variaciones de uno o ms
parmetros si, al incluir estas variaciones en el criterio de evaluacin
empleado, la decisin inicial cambia. El anlisis de sensibilidad, a travs de
los diferentes modelos, revela el efecto que tienen las variaciones sobre la
rentabilidad en los pronsticos de las variables relevantes.
Es importante visualizar qu variables tienen mayor efecto en el resultado
frente a distintos grados de error, en su estimacin permite decidir acerca
de la necesidad de realizar estudios ms profundos de esas variables, para
mejorar las estimaciones y reducir el grado de riesgo por error.
Sin embargo, son ms frecuentes las equivocaciones en las estimaciones
futuras por lo incierta que resulta la proyeccin de cualquier variable
incontrolable, como los cambios en los niveles de los precios reales del
producto o de sus insumos.
Dependiendo del nmero de variables que se sensibilicen en forma
simultnea, el anlisis puede clasificarse como unidimensional o
multidimensional. En el anlisis unidimensional, la sensibilizacin se aplica a
una sola variable, mientras que en el multidimensional, se examinan los
efectos sobre los resultados que se producen por la incorporacin de
variables simultneas en dos o ms variables relevantes.
En algunos textos en ingls la denominan la tcnica del What if,
reconociendo que lo que trata de hacer esta metodologa, es determinar
qu pasa con los objetivos de los modelos, si una o ms variables cambian.
Cuando slo una de las variables se modifica, nos encontramos frente al
anlisis de sensibilidad por variables (o unidimensional) si, en cambio, ms
de una cambia de valor, entonces estamos ejecutando un anlisis de
sensibilidad por escenarios (tambin conocido como multidimensional).
Para realizar el anlisis de sensibilidad por variables, se deben seguir los
siguientes pasos:
1.
2.

Elabore el modelo de anlisis

Escoger las variables de entrada del modelo que, a juicio del decisor
puedan afectar de manera importante, los objetivos del modelo. La

15

Teora de la Decisin

3.
4.
5.

pregunta que, seguramente, se est haciendo es, cules y cuntas

se deben escoger?
Tomar slo una de las variables escogidas y analizar las posibles
variaciones que podran realizarse y analizar los efectos que se
producen en el objetivo y las dems variables.
Repetir el anlisis para todas las variables escogidas en el paso 2.
Recordar que slo debe modificarse la nueva variable y todos los
dems parmetros y variables deben mantenerse igual.
Construir una matriz que rena todos los indicadores del objetivo y
las variables as obtenidos. Definir un factor de escalamiento, los
lmites y los intervalos entre escaln y escaln, que segn su
experiencia y/o las caractersticas del proyecto debern ser fijados
por el decisor.

En el Anlisis de Sensibilidad por Escenarios (tambin denominado Anlisis

Multidimensional) conlleva la modificacin de dos o ms variables a la vez,
cuyo fin es, tambin, ver cmo se afecta al objetivo del modelo.
Nuevamente, surgen las preguntas, cuntas variables modificar y cmo
hacerlo? Antes de contestarlas, debo incidir que la lgica de este anlisis,
dicta que todas las variables escogidas se muevan a la vez; pero, y esto es
lo importante, de manera consistente. Es decir, no las modificamos a
tontas y locas, sino, sus variaciones, deben obedecer a escenarios que
pueden presentarse a lo largo de la vida del proyecto.
Un escenario, por si acaso, se define como un marco de relaciones causales
lgicas.
Cuntas?, la eleccin del nmero de variables a modificar, depender de
las caractersticas del modelo y la experiencia del decisior.
Y en cuanto al nmero de escenarios?, no ms de tres escenarios (a lo
sumo cuatro) son los que se necesitan: al primero lo denominaremos
escenario base (o normal); al segundo escenario, lo llamaremos pesimista;
y, al tercero, optimista.
Llamemos a la situacin inicial, escenario base, es decir, la estimacin que
creemos, se dar con mayor probabilidad en el modelo.

16

Teora de la Decisin
Anlisis De Un Caso
Un fabricante de microprocesadores, produce una cantidad de miles de
unidades mensuales, que es calculado en base al nmero de horas-hombre
diarias (x), como insumo.
El fabricante conoce su funcin de produccin puede dejarla representada
por la siguiente funcin: f(x) = 30x + 2x - 0.5x
El gremio, durante los ltimos aos, ha logrado que se considere un lmite
mximo de trabajo para los empleados de 8 hs diarias.
a) Hallar el nmero de horas-hombre diarias que maximicen la
produccin de microprocesadores, y el volumen de produccin
mximo.
b) Si el gremio logra imponer una idea que lleva a un mximo de 5 hs
diarias, Cul sera la decisin optima?
c) Realizar un anlisis de sensibilidad sobre la influencia de los cambios
en el mximo de horas que se les permita trabajar a los trabajadores.

Conozco qu Estado de la Naturaleza se presentar?

S
Problema de
Universo Cierto

No
Se resuelve con otros mtodos

Preguntas a realizar al Decisor:

Qu sabe del problema?:
He podido identificar como calcular la Produccin Total utilizando una
frmula que depende del nmero de hs hombre utilizadas por da.
Qu necesita?:
Identificar el nmero de hs hombre a utilizar por da
Para qu?
para lograr una produccin mxima
En cunto tiempo?
El periodo en que se obtiene la produccin es el mes

17

Teora de la Decisin
El Analista, para ayudar al decisor y tratando de seguir los pasos del
mtodo cientfico, deber estructurar el problema de la siguiente
forma:
Entonces su variable de decisin ser:
Nnmero de horas hombre diarias a utilizar en la produccin.
Como conoce la formula y sus consecuencias
Estamos en Universo Cierto
El objetivo ser:
Maximizar el nivel de produccin mensual.
Como limitaciones del problema tendramos
Limitaciones de hs Hombre para producir y actitud del Gremio
Tendramos:
Variables de Decisin:
X: nmero de horas hombre diarias a utilizar en la produccin
Objetivo del problema:
Maximizar el nivel de produccin mensual (f(x))
Funcin Objetivo:
f(x) = 30x + 2x - 0.5x
Restricciones:
x>= 0(no se puede trabajar con horas hombre negativas)
x<= 8(El gremio impone un mximo de trabajo para los empleados
de 8 hs diarias)
Analizando la funcin objetivo, podemos observar que es una funcin
polinmica que podra fcilmente asociar con mtodos de resolucin de
anlisis matemtico tal como el uso de derivadas, funciones y mximos y
mnimos de una funcin. Deben incluirse tambin los intervalos validos de
las variables.
Intervalos validos de las variables

HsGremio: (0 x) (x 8)

Calculo de Mximos y Mnimos relativos

Derivada primera

f'(x) = -1.5x + 4x + 30

igualando a cero la derivada primera:

-1.5x + 4x + 30 = 0

18

Teora de la Decisin

Usando la frmula de baskara, las races de la derivada primera

serian:
x1=6 y x2=-3.33 y podran identificar un mximo o un
mnimo relativo.

Derivada segunda

f''(x) = -3x + 4

evaluando f''(6) = -3(6) + 4 = -14 -> al ser menor a cero es un

maximo

evaluando f''(-3.33)=-3(-3.33)+4=14 -> si es mayor a cero es

mnimo.

Factorizacin y Calculo de races de la Funcin Objetivo

Objetivo: f(x) = 30x + 2x - 0.5x

Objetivo Factorizado: f(x) = (-x) (x - 10) ( (x + 6) / 2 )

Las races que hacen cero a la funcin serian: x3=0, x4=10 y

x5=-6

Caracterstica creciente y decreciente de la Funcin Objetivo

La funcin objetivo, para valores de (x) es decreciente entre (menos
infinito) hasta (-3.33), creciente desde (-3.33) hasta (6) y decreciente entre
(6) hasta infinito.
Tambin se detectaron valores positivos de la funcin para valores de
x entre 0 y 10.
En la Ilustracin 1Funcion Objetivo incluyendo restriccin del gremio
de 8 hs. hombre de trabajo se puede ver el comportamiento grafico de la
funcin objetivo.

Ilustracin 1Funcion Objetivo incluyendo restriccin del gremio de 8 hs. hombre de

trabajo

19

Teora de la Decisin
Considerando el tem a), donde se considera la limitacin de 8
hs hombre diarias para la produccin, se puede identificar como la
solucin ptima (o decisin ptima) utiliza r 6 horas hombre de
trabajo por da. El volumen de produccin mximo utilizando 6 hs.
hombre diaria es de 144 miles de microprocesadores.
Si se consideran las Limitaciones de hs Hombre para producir y
actitud del Gremio del tem b) que indica un mximo de 5 hs hombre
diario de trabajo se puede encontrar una modificacin en las
Restricciones:
x>= 0(no se puede trabajar con horas hombre negativas)
x<= 5(El gremio impone un mximo de trabajo para los empleados
de 5 hs diarias)
Intervalos validos de las variables

HsGremio: (0 x) (x 5)

En la Ilustracin 2Funcion Objetivo incluyendo restriccin del gremio

de 5 hs. hombre de trabajo se puede ver el comportamiento grafico de la
funcin objetivo.
Considerando el tem b), donde se considera la limitacin de 5
hs hombre diarias para la produccin, se puede identificar como la
solucin ptima (o decisin ptima) utilizar 6 horas hombre de
trabajo por da. El volumen de produccin mximo utilizando 6 hs.
hombre diaria es de 144 miles de microprocesadores.

Ilustracin 2Funcion Objetivo incluyendo restriccin del gremio de 5 hs. hombre de

trabajo

20

Teora de la Decisin
Considerando el tem c), donde se desea realizar un anlisis de
sensibilidad en la variacin de la limitacin de hs hombre diarias
para la produccin, y considerando la Ilustracin 3 Funcin

Objetivo para anlisis de restriccin del gremio de hs. hombre

de trabajo se puede observar que modificaciones se producirn en

la solucin ptima (o decisin ptima) en donde se presentan dos

intervalos de variacin claramente definidos que se describirn a
continuacin:

Ilustracin 3 Funcin Objetivo para anlisis de restriccin del gremio de hs. hombre
de trabajo

Si la restriccin del gremio indica utilizar un mximo de hs

hombre que se encuentre entre 0 a 6 de trabajo por da, ese
valor ser la solucin ptima. El volumen de produccin
variara dependiendo de la decisin tomada hasta llegar a 144
miles de microprocesadores cuando se utilizan 6 hs. hombre
diaria.

Si la restriccin del gremio indica utilizar 6 o mas horas

hombre de trabajo por da, la sol ucin ptima ser utilizar
solo 6 horas hombre por da. El volumen de produccin
ptimo para la decisin tomada ser 144 miles de
microprocesadores.

Es importante aclarar que el nmero de hs hombre de trabajo

no puede ser negativo (hacia la izquierda del eje y en el
grfico) y que si se utilizan 10 hs hombre, la produccin es
nula e incluso es negativa al utilizar ms de 10 hs hombre,
aunque no se puede identificar claramente su significado
peor podra estar asociado a problemas en el funcionamiento
de la produccin.

21

Teora de la Decisin

Programacin Lineal
Como se mencion anteriormente, estos modelos y tcnicas permiten
encontrar la solucin ptima que maximiza uno objetivo o que consideran
varios objetivos o metas para al toma de decisiones.
Al analizar programacin lineal se consideraran temas que complementan al
mismo como Dualidad, Anlisis de Sensibilidad, Mtodos de Transporte y
Asignacin y Modelos de Redes y Planificacin y Control de Proyectos.
Este tema se analizara con detenimiento en captulos posteriores.
Programacin Multiobjetivo
Estos modelos y tcnicas permiten encontrar la solucin ptima en caso que
se consideran varios objetivos o metas para la toma de decisiones.
Normalmente al considerar varios objetivos, la optimizacin de uno de ellos
no se encuentra sin empeorar los resultados de alguno de los dems
objetivos. Esto est asociado al anlisis de soluciones eficientes de Pareto,
restricciones con Metas y utilizacin de prioridades en los objetivos.
Programacin Dinmica
Estos modelos y tcnicas permiten encontrar la solucin ptima en caso de
considerar situaciones que varan dependiendo del tiempo y consideran una
variable ordenadora para la toma de decisiones; adems, estas decisiones
se tomaran en etapas independientes del momento en que se toman.
Este tema se analizara con detenimiento en captulos posteriores.

22

Teora de la Decisin

5. Decisiones en Universo Aleatorio.

Una de las situaciones que ms dificultad lleva a la hora de tomar una
decisin es aquella en la que las consecuencias de las decisiones no pueden
ser controladas, sino que estn sujetas a la aleatoriedad; esta aleatoriedad
puede provenir, tanto porque el proceso pueda estar gobernado por el azar,
como por una falta de informacin que nos impida determinar con exactitud
cules son esas consecuencias.
El contexto en que nos encontramos por lo tanto, es aqul en que el decisor
ha de tomar una decisin ante una situacin con diversos estados
gobernados por el azar.
Podemos decir entonces que como se conoce la probabilidad de ocurrencia
de cada uno de los estados y de Y, hay informacin y esta informacin es
sobre la ley de probabilidad que gobierna el Universo. Se tiene entonces
una variable aleatoria c(x,y) con distribucin de probabilidad conocida y
esta situacin permite que se utilice una herramienta del clculo de
probabilidades, que es la Esperanza Matemtica, lo que dar una funcin de
decisin de valor nico para cada alternativa y esta ser:
d(x) = Ey[c(x,y)] =j c(x,yj)*p(yj) donde la Sumatoria se realiza entre j =
1 hasta j = n y se obtiene este valor para cada una de las alternativas x de
X y permite seleccionar la ms favorable en base al mismo criterio
imperante para las compensaciones. Esta decisin ser vlida cuando el
proceso de decisin sea repetido un nmero grande de veces bajo
las mismas condiciones, en cuyo caso el promedio de los resultados
tendr un valor tanto ms prximo al de la Esperanza Matemtica, cuanto
mayor sea el nmero de veces que se repita la situacin. Para decisiones
nicas o poco frecuentes, la confiabilidad de este enfoque es similar a la de
los cuatro enfoques expuestos para Universo Incierto.

Adems la utilizacin de la Esperanza Matemtica se debe hacer teniendo

en cuenta dos limitaciones adicionales: la primera de ellas est en relacin a
las diferencias que pueden existir en las curvas de distribucin de
probabilidad de las compensaciones resultantes de cada decisin posible,

23

Teora de la Decisin
as por ejemplo si la figura representa dos alternativas posibles de inversin
se ve que si bien la Esperanza matemtica para ambas puede ser la misma,
la c(x1,y) tiene ms probabilidad de tomar valores bajos o altos que la
c(x2,y), que se mantendr ms dentro de valores cercanos a su media, es
decir que tambin la distribucin es importante y si quisiramos ser ms
precisos deberamos considerar tambin la desviacin estndar y las
asimetras que pudieran tener las distribuciones; la otra limitacin que debe
tenerse en cuenta es la llamada Probabilidad de Ruina que surge de
considerar que si bien la situacin va a repetirse muchas veces y que el
resultado promedio ser prximo a la Esperanza Matemtica, las situaciones
desfavorables pueden llegar a agruparse en las primeras repeticiones y el
decididor que no prevea esta situacin puede llegar a arruinarse y perder la
posibilidad de seguir operando y por lo tanto de recuperarse en las
restantes oportunidades.
Los elementos que intervienen en un proceso de decisin de estas
caractersticas son
Conjunto de Alternativas
Son las Variables de decisin del Problema. Son Exgenas Controlables
Representan acciones o alternativas entre las que seleccionar
X={x1, x2,, xn}
Conjunto de Estados de la Naturaleza o Ambientes de decisin
Son los estados que puede presentar la naturaleza. Son
Controlables.

Exgenas No

Y={y1, y2, , ym}

Diagramas de influencia
Un diagrama de influencia es una herramienta grfica que muestra las
relaciones entre las decisiones, los eventos fortuitos y las consecuencias
para un problema de decisin.
Los nodos de un diagrama de influencia representan las decisiones, los
eventos fortuitos y las consecuencias. Los rectngulos o cuadrados
representan los nodos de decisin; los crculos u valos los nodos fortuitos,
y los rombos representan los nodos de consecuencia.
Las lneas que conectan los nodos, llamadas arcos, indican la direccin de
influencia que tienen los nodos entre s. A continuacin se muestra el
diagrama de influencia para un Modelo General de Decisin. Las variables
de decisin a seleccionar son el nodo de decisin, Los estados posibles son
el nodo fortuito y las compensaciones (costos o contribuciones) son el nodo
de consecuencia. Los arcos que conectan los nodos muestran que tanto las
decisiones como los estados posibles influyen en las compensaciones del
decisin.

24

Teora de la Decisin

Estados
Posibles

Decisin a
Seleccionar

Estados de la naturaleza:
Y1
Y2

Costos
Consecuencia
C(Xi,Yj)
Costos o contribuciones

Alternativas de Decisin:
X1
X2
Compensaciones

Son consecuencias o resultados cij que surgen de la eleccin de la

alternativa Xi cuando la naturaleza presenta el estado Yj. Tambin suelen
identificarse como c(xi,yj)
En ocasiones tambin intervienen las probabilidades a la hora de tomar una
decisin:
pj: probabilidad de que se d el estado Yj ; este valor en muchas ocasiones
no es conocido.
Si estas probabilidades son conocidas (o han sido estimadas) antes de
tomar la decisin, se dice que es un proceso de decisin bajo riesgo,
mientras que si son desconocidas se habla de decisin bajo incertidumbre.
Con estos elementos, cuando el proceso se define en una sola etapa, es
decir, hay una nica decisin que tomar en un momento dado, y los
conjuntos de estados y alternativas son finitos, para facilitar la comprensin
de la situacin, se representa el problema mediante una tabla de resultados
o compensaciones:
Variables de
Decisin
X1:
X2:

Xm:

Estados de la Naturaleza
Y1
Y2
Yn
c(x1,y1)
c(x1,y2)

c(x1,yn)
c(x2,y1)
c(x1,y2)

c(x2,yn)

c(xm,y1) c(xm,y2)

c(xm,yn)

Funcin De Compensaciones
Preferentemente, para todas las actividades, y considerando como punto de
partida los pasos del mtodo cientfico, se debera definir el o los objetivos,
variables de decisin identificadas (generalmente denominadas X),
Variables de estado o estados de la naturaleza (generalmente denominadas
Y), funcin de compensaciones (c(xi, yj) o forma en que se obtiene la
compensacin obtenida por la eleccin de una alternativa xi y la ocurrencia
de una estado yj ).

25

Teora de la Decisin
Para el desarrollo de la funcin de compensaciones, en los casos donde la
variable de decisin y los estados de la naturaleza son cuantitativos y
numricamente comparables (genricamente expresados como x=y; x>y;
x<y), se podran utilizar las siguientes expresiones solo a modo de gua:
(las expresiones se asociaran a un caso de compra, produccin y/o venta de
productos para facilitar la comprensin, pero se debe recordar que los datos
o las informacin obtenidas puede estar expresada en cualquier unidad de
medida)
Datos que normalmente estn disponibles en las empresas:

BT: Beneficio Total (IT-CT)

IT:
Ingreso Total (ingreso por vender, vender con descuentos y
recupero de gastos)
CT: Costo Total (costos por comprar, reponer, almacenar, destruir
y/o de oportunidad)
pc:
Precio de costo por unidad;
pcr: Precio de costo de reposicin por unidad ;
pv: Precio de venta por unidad;
co:
Costo de oportunidad por unidad. Es considerado generalmente
en casos donde existen faltantes para abastecer de una demanda y
por lo tanto esta queda insatisfecha. Solo se usara si esta descripto
en el enunciado y el ms fcil de identificar se expresa como la
ganancia no obtenida y su clculo es (pv-pc);
cs:
costo de almacenamiento por unidad (se considerar como un
costo fijo en un periodo)
cd:
costo por tratamiento de residuos excedentes por unidad (ej: si
sobran bolsas de polietileno, se deber hacer un tratamiento de
biodegradacin antes de tirar o reciclar cuando existen polticas de
preservacin del medio ambiente)

Funcin de Compensaciones
Las funciones de compensacin cuando se busca maximizar beneficio
podran expresarse como alguna de las siguientes (para los casos de
ingreso o costos se deber hacer una relacin a beneficios considerando que
BT: [ IT ] [ CT ]:
Para los casos donde la variable xi representa cantidades producidas o
compradas (oferta) y el estado de la naturaleza representa
cantidades demandadas (demanda) se presentaran algunos de los
siguientes casos sin importar el enfoque a utilizar para identificar la decisin
ptima:
Si xi = yj (la oferta es igual a la demanda)
c(xi, yj)= [ pv * yj ] pc * xi ]

(se busca maximizar beneficios)

c(xi, yj)= [ pv* yj ] (se busca maximizar ingresos)

c(xi, yj)=

[ pc*xi ]

(se busca minimizar costos)

Si xi < yj (la oferta es menor a la demanda, (yj - xi) es lo que falt)

26

Teora de la Decisin
c(xi, yj)= [ pv * xi ] [ pc * xi ]
(maximizar beneficios, puede
quedar demanda insatisfecha sin costos de oportunidad)
c(xi, yj)= [ pv * xi ] [ pc * xi + co * (yj - xi)]
(maximizar
beneficios, puede quedar demanda insatisfecha con costos de oportunidad)
c(xi, yj)= [ pv * yj ] [ pc * xi + pcr * (yj - xi)] (maximizar
beneficios, no puede quedar demanda insatisfecha, hay reposicin para
abastecer toda la demanda)
Si xi > yj (la oferta es mayor a la demanda, (xi - yj) es lo que sobr)
c(xi, yj)= [ pv * yj ] [ pc * xi ]
(maximizar beneficios, lo que
sobra se tira y se considera el costo de lo tirado)
c(xi, yj)= [ pv * yj ] [ pc * xi + cd * (xi - yj)]
(maximizar
beneficios, lo que sobra se tira y se considera el costo de lo tirado pero
adems se genera un costo por destruir los productos sobrantes)
c(xi, yj)= [ pv * yj ] [ pc * yj + cs * (xi - yj)]
(maximizar
beneficios, existen sobrantes que se almacenan para periodos futuros, se
considera un costo de almacenamiento por los sobrantes y no se conoce el
destino futuro de los mismos)
c(xi, yj)= [ pv * yj + pvl * (xi - yj)] [ pc * xi + cs * (xi - yj)]
(maximizar beneficios, existen sobrantes que se almacenan para
periodos futuros, se considera un costo de almacenamiento por los
sobrantes y como se conoce el destino futuro de los mismos se consideran
los beneficios obtenidos por esta situacin)
rboles de decisin
Cuando una secuencia de decisiones necesita ser tomada, los rboles de
decisin son la herramienta ms poderosa que las tablas de decisin.
Decimos por ejemplo que el Decisor tiene dos decisiones a tomar, pero en
el caso de tomar la primera, si ocurre el primer estado de la naturaleza
obtendr una muy buena valoracin de la compensacin obtenida, pero s
en cambio ocurre el segundo estado de la naturaleza obtendr el peor
resultado posible; pero si analizamos la segunda decisin, ante el primer
estado estaremos en el peor resultado posible y a la inversa si ocurre el
segundo estados obtendramos el mejor resultado posible.

27

Teora de la Decisin

X1

Y1
Estado
Ocurrido

Y2
Decisin a
Seleccionar

Y1
X2

Estado
Ocurrido

Y2

Consecuencias o
Compensaciones
C(x1,y1)
C(x1,y2)
C(x2,y1)

C(x2,y2)

00
De manera inversa, si supiramos exactamente qu tipo de falla tiene un
equipo podra tomar una decisin que lo lleve a obtener el mejor resultado
posible.

Y1

X1
Decisin
Domada

X2
Estado
Ocurrido

X1
Y2

Consecuencias o
Compensaciones
C(x1,y1)
C(x2,y1)
C(x1,y2)

Decisin
Tomada

X2

C(x2,y2)

Todos los resultados y alternativas deben ser considerados.

Si viramos que una nueva decisin del rbol debera estar representada
solamente no llevara a un rbol ms complejo pero siempre considerando a
todas las posibles soluciones y alternativas incluidas en la secuencia lgica
de decisin.
Esta es una de las ventajas de usar el rbol de decisin en la toma de
decisiones. El usuario es forzado a examinar todos los resultados posibles,
incluyendo los desfavorables. El o ella son forzados a hacer decisiones de
una manera lgica y secuencial.
Tambin podramos considerar en el rbol la posibilidad de tomar decisiones
con probabilidades por lo que deberan ser incluidas junto con los valores
esperados que puedan calcularse.
Los nodos de un rbol de decisin representan las decisiones, los eventos
fortuitos y las consecuencias. Los rectngulos o cuadrados representan los
nodos de decisin; los crculos u valos los nodos fortuitos o estados de la
naturaleza, y los recuadros en las hojas del rbol representan los nodos de
consecuencia o compensaciones posibles.

28

Teora de la Decisin
Funcin de Decisin
Como vimos antes el Criterio define la motivacin por la cual se toma la
decisin, ejemplo: maximizar beneficios, minimizar costos, minimizar
tiempos, maximizar satisfaccin, etc. Y por ello se deber obtener un
elemento que permita relacionar las compensaciones obtenidas con o sin
funcin de compensaciones. A este elemento lo llamaremos Funcin de
decisin y lo nombraremos d(x) y representar a la variable de decisin en
el momento de elegir la mejor alternativa en base al criterio definido.
Funcin de Decisin en universo aleatorio
Como sabemos, cuando conocemos las probabilidades de los estados de la
naturaleza una de las herramientas ms tiles es el uso de la Esperanza
matemtica por lo que la funcin de decisin ser:
En caso de problemas de Maximizacin:
Para el pago esperado sin experimentacin utilizamos la funcin de decisin
sin informacin adicional (valor esperado con probabilidades)
d(x)=VESP= i [c(x,yi) * P(yi)]
En caso de problemas de Minimizacin:
Para el pago esperado sin experimentacin utilizamos la funcin de decisin
sin informacin adicional (valor esperado con probabilidades)
d(x)=VESP= i [c(x,yi) * P(yi)]

Decisin ptima
Luego de calcular o identificar los valores de la funcin de decisin el
decisor deber identificar el mejor valor de los que representan a las
variables de decisin para lo cual considerando el criterio utilizado se
seleccionara el valor que ms favorece al criterio por lo que la variable a la
que representa ser la Decisin ptima del problema y la llamaremos X*.
Entonces, en un problema de Maximizacin con Probabilidades
(x*)=Maxx Ey [c(x,y) ]
O lo que es lo mismo
(x*)=Maxx i [c(x,yi) * P(yi)]
y, en un problema de Minimizacin con Probabilidades
(x*)=Minx Ey [c(x,y)]
O lo que es lo mismo
(x*)=Minx i [c(x,yi) * P(yi)]

29

Teora de la Decisin
Recordemos que en un universo de riesgo se conocen las probabilidades Pj.
Las Hiptesis sern:
-

El decisor puede hacer frente a la situacin ms desfavorable

(no existe riesgo ruina)
Existe linealidad en la funcin de valoracin de prdidas y
ganancias.

Se aplica a la matriz de decisin el Criterio del Valor Mximo Esperado

(VESP): eligiendo el mximo de los beneficios esperados con cada
estrategia o los mnimos costos esperados en caso de minimizacin.
VESP (Xi) = c(xi,y1)P1 + c(xi,y2)P2 + c(xi,yn)Pn
X* = MAXi {VESP (Xi)}
-

EL Proceso De Decisin Sea Repetido Un Nmero Grande De

Veces Bajo Las Mismas Condiciones.
Deberamos Considerar Tambin La Desviacin Estndar Y Las
Asimetras Que Pudieran Tener Las Distribuciones PARA
OBTENER MEJORES RESULADOS

6. Decisiones con Relaciones de Dominancia.

Algunas alternativas de decisin (para cualquier Universo), no se utilizarn
nunca por ser dominadas por otra u otras; es el caso en que esas
alternativas sean preferibles a la primera, cualquiera sea el Estado de la
Naturaleza o la decisin del opositor que ocurra. Lo mismo ocurre cuando
una alternativa surge como combinacin lineal de otras, ya que es
dominada por esas. Al eliminar alternativas dominadas en Universo Hostil
pueden aparecer alternativas dominadas para el oponente que al eliminarlas
puede hacer aparecer nuevas dominadas que debern ser tambin
eliminadas, continuando hasta que no se puedan eliminar ms. Una vez
hecho esto se aplicarn los criterios o procedimientos de resolucin
correspondientes.

Comenzamos el estudio del anlisis de decisiones considerando problemas

que tienen razonablemente pocas alternativas de decisin y pocos eventos
futuros posibles. Los diagramas de influencia y las tablas de resultados
se presentan para darle estructura al problema de decisin y para ilustrar
los fundamentos del anlisis de decisiones. Luego introducimos los
rboles de decisin para mostrar la naturaleza secuencial de los
problemas de decisin. Los rboles de decisin se utilizan para analizar
problemas ms complejos e identificar una secuencia de decisiones
ptima, conocida como estrategia de decisin ptima. El anlisis de
sensibilidad muestra cmo los cambios en varios aspectos del problema
afectan la alternativa de decisin recomendada.

30

Teora de la Decisin
7. Decisiones en Universo Incierto.
En esta situacin nos encontramos cuando conociendo el conjunto X y el
conjunto Y de estados de la naturaleza y las correspondientes
compensaciones c(x,y) se desconocen las leyes de probabilidad que
gobiernan el Universo de la decisin y por lo tanto no hay ninguna razn
para darle mayores probabilidades a uno u otro.
En este estado de cosas no hay un enfoque racional nico que ayude a la
seleccin, pero hay cuatro que de alguna forma representan los posibles
modos de ver y atacar la situacin, dependiendo la seleccin de uno de ellos
del decididor y en base a circunstancias subjetivas y objetivas, pero de
ninguna manera se puede decir que cualquiera de ellos sea preferible a los
dems.
Enfoque del Pesimismo o de Riesgo nulo (Wald)
Tiende a limitar las consecuencias desfavorables de una decisin,
considerando que la presentacin de los estados de la Naturaleza ocurrir
de forma tal de producirle al decididor el mayor perjuicio posible ante cada
decisin que adopte, es decir que presupone que ante cada decisin posible,
la compensacin que se recibir ser la peor de todas las posibles
(colocarse en al peor situacin).
Es decir que ahora la funcin, nica, de decisin (si se quiere maximizar)
para cada x ser: d(x) = min c(x,y) para todos los y pertenecientes a Y.
De esa forma habr que elegir la alternativa x que reporte la mejor
compensacin de entre todas las ms desfavorables.
Es decir, habr que determinar Max d(x) = Max [ min c(x,y)] realizando la
operacin entre corchetes haciendo variar y para cada valor de x y luego
buscando el Mximo variando x. Tambin se lo designa, por la forma que
toma la ecuacin, enfoque del Maximin. Aplicando este enfoque se asegura
de no recibir una compensacin inferior a la elegida, se asegura un nivel
mnimo, por eso se lo considera de riesgo nulo, pero puede no ser
conveniente en todas las situaciones por ser excesivamente pesimista al
despreciar totalmente las compensaciones distintas de la ms desfavorable
para cada alternativa de decisin. Es de aplicacin por ejemplo cuando hay
riesgo de vida o de situaciones altamente desfavorables pero obviamente
que nadie lo utiliza todo el tiempo pues de ser as no existiran, por
ejemplo, los juegos de azar,
Nos referimos al criterio de Wald o Pesimismo dentro de un universo
incierto, en donde nos colocamos en la situacin ms desfavorable ante
cada alternativa de decisin y luego elegir entre ellas la ms favorable. En
caso de beneficios a este modelo se lo conoce como criterio maximin y en
caso de costos el criterio de minimax.

31

Teora de la Decisin
Criterio Optimista:
No hay mucho que decir al respecto, solo que de los mejores resultados de
las compensaciones de cada decisin, se elige el mejor valor.
X* = MAXi (MAXjCij))

X* = MINi (MINjCij))

segn el caso-

En MaxiMax se elige la accin con el mejor resultado (mayor recompensa)

criterio que tienen en cuenta los puntos de vista optimista y agresivo, y en
MiniMin se elige la accin con el menor resultado (menor recompensa).
Es el criterio que seguira una persona que pensara que, cualquiera que
fuera la estrategia que eligiera, el estado que se presentara sera el ms
favorable para ella. Por ello, cuando los resultados son favorables, se le
denomina criterio MaxiMax: se determina cul es el resultado ms elevado
que puede alcanzarse con cada estrategia y, posteriormente, se elige
aquella a la que le corresponda el mximo entre esos mximos. Cuando los
resultados son desfavorables, se le denomina criterio MiniMin: se determina
cul es el mejor resultado que puede obtenerse con cada estrategia (el
menor) y se elige aquella a la que le corresponda el mnimo entre esos
mnimos
Tendra sentido utilizar tanto MaxiMax como MiniMin pero no es
recomendable su uso, ya que el MaxiMax implica mucho riesgo porque se
puede ganar mucho o perder todo y en MiniMin siempre se obtendra lo
mnimo posible.
Enfoque de Optimismo Relativo o de Riesgo aceptable (Hurwicz)
Surge del anterior tratando de superar sus falencias, asumiendo que nadie
considera racionalmente que en toda eleccin que haga va a obtener el peor
resultado de todos los posibles, sino que existe un margen de optimismo, o
de riesgo que se est dispuesto a correr, para cada decididor y cada
situacin particular, al que valoriza en una escala de 0 a 1 (o de 0% a
100%) correspondiente a considerar que ocurrir la peor o mejor
consecuencia ante cada decisin, respectivamente. Para materializar esto
en la funcin de decisin se adopta un coeficiente alfa al que se le da el
valor del optimismo, o de riesgo que se puede correr y para cada decisin
posible se calcula: d(x) = alfa* Max c(x,y) + (1 - alfa) * min c(x,y)
o sea
haciendo un promedio ponderado o pesado entre la mejor y la peor
compensacin para cada posible decisin. De entre todas esas d(x) se
elegir la mejor o la Mxima si como en el caso se est maximizando. Este
enfoque transforma al anterior en un caso particular del mismo cuando el
coeficiente toma el valor 0.
Hay dos crticas fundamentales que recibe este enfoque que son, por un
lado lo subjetivo de la eleccin del coeficiente de optimismo relativo alfa y el
hecho de considerar exclusivamente los valores extremos de compensacin
para cada decisin posible. Hay enfoques derivados de ste que consideran
tres o ms valores para cada alternativa de decisin afectndolos de las

32

Teora de la Decisin
potencias de alfa en orden creciente a medida que se reducen las
compensaciones y de la diferencia con respecto a 1 a la peor de ellas.
Con respecto a la subjetividad en la determinacin del coeficiente habra un
atenuante si se realiza una comparacin (o anlisis de sensibilidad) entre
la alternativa que corresponde elegir para riesgo nulo (primer enfoque o
alfa= 0) y cada una de las otras alternativas, es decir igualando alfa* Max
c(x,y) + (1 - alfa1) * min c(x,y) de cada alternativa a la misma expresin
para la alternativa que representa riesgo nulo o pesimismo total
y
despejando el valor de alfa, de modo de conocer cul es el porcentaje de
riesgo que se asume ante cada decisin, o el optimismo relativo que se
debe tener para elegirla; tambin resulta interesante hacer la comparacin
anterior no slo con la alternativa de riesgo nulo, sino tambin entre todas
las alternativas de a pares, pues ello permitir establecer una escala de
valores de alfa y las correspondientes decisiones ms convenientes para
cada rango y de esa forma minimizar la subjetividad con respecto a alfa
En el ejemplo de la figura, hay tres alternativas de decisin y tres estados
posibles y se han representado las compensaciones en funcin de alfa
observando que los valores de alfa1 y alfa2 son las intersecciones que nos
interesan en funcin de determinar los rangos de optimismo dentro de los
cuales son preferibles alguna alternativa frente a las otras. Para calcularlos
hacemos: 7* alfa1 + 2*(1 - alfa1) = 10* alfa1 +1*(1 - alfa1) es decir 4*
alfa1=1 y alfa1 = 0.25

y tambin 10*alfa2 + 1*(1 - alfa2) = 12*alfa2 + (-10)*(1 - alfa2) es decir

13*alfa2 = 11, o sea alfa2 = 11/13 ~ 0.8; entonces para optimismo
comprendido entre 0 y 0.25 ser conveniente la decisin I, entre 0.25 y 0.8
la decisin II y para valores superiores a 0.8 se preferir la alternativa III.

33

Teora de la Decisin
Qu objecin se le plantea al enfoque de optimismo relativo,
referente a la subjetividad del coeficiente ? En qu consiste el
Anlisis de Sensibilidad?
La principal crtica es que al considerar solamente las situaciones extremas
(ms y menos desfavorables) que pueden presentarse, perdiendo
informacin sobre los valores intermedios de las compensaciones y, en
algunos casos, puede conducir a decisiones poco racionales. Una manera de
atenuar la subjetividad referente al coeficiente a es mediante la
comparacin de la alternativa que corresponde elegir para riesgo nulo
(enfoque pesimista o a=0) y cada una de las otras alternativas.
Para un Universo Incierto, para el criterio de optimismo relativo o de riesgo
aceptable (Hurwicz) se realiza un Anlisis de Sensibilidad (comparacin)
para conocer cul es el porcentaje de riesgo que se asume ante cada
decisin, o el optimismo relativo que se debe tener para elegirla. Se puede
realizar un anlisis de sensibilidad para determinar el efecto que tienen en
la alternativa de decisin recomendada los cambios en las probabilidades
para los estados de la naturaleza y los cambios en los valores de los
resultados.
Recordemos que un problema que plantea este criterio es que depende
fuertemente de la actitud del decisor (es un criterio con alta subjetividad),
un pequeo cambio en el ndice de optimismo puede representar un cambio
drstico en la decisin ptima (o ms favorable), por lo que se recomienda
evaluar la decisin, variando el ndice para observar cmo cambian los
resultados independientemente de si el problema es de maximizacin o de
minimizacin. En todos los casos se prefiere el mejor resultado.

Enfoque de mnimo Lamento o mnimo Costo de Oportunidad

(Savage)
Este enfoque pone en duda que la compensacin c(x,y) represente la
satisfaccin de quien decide y propone que la satisfaccin se da en relacin
inversa a la diferencia entre la compensacin recibida por la eleccin hecha
y la compensacin que se hubiera recibido de haber sabido el estado de la
Naturaleza que ocurrira. Es decir que el sujeto decididor se lamentar de
perder esa diferencia, (costo de oportunidad), y eso ser para l ms
importante que lo que gane o pierda, por lo tanto propone buscar minimizar
esa diferencia.
Para llevarlo a la Prctica se construye una nueva matriz que en lugar de las
compensaciones lleva los costos de oportunidad (o lamentos) que se la
designa como R = [rij] cuyos elementos son la diferencia entre la mxima
compensacin de su columna y la compensacin correspondiente, es decir:
rij = (Max -variando i = alternativas- cij)- cij , hecho esto para cada
columna por separado. De ese modo quedar una nueva matriz de trminos

34

Teora de la Decisin
positivos que representar los costos de oportunidad de cada par,
alternativa-estado a los que se deber minimizar, aplicando sobre sta el
enfoque del pesimismo desarrollado anteriormente, con la precaucin de
que en este caso si el problema es de maximizacin, a la matriz de costos
de oportunidad habr que resolverla en el sentido de minimizacin (si el
problema original es de minimizacin, -matriz de costos- la diferencia
tendramos que hacerla entre el costo mnimo de cada columna y los dems
costos de esa columna, pero esto dara nmeros negativos, sobre los cuales
despus debera buscarse una maximizacin, entonces es ms cmodo
cambiar el sentido de las diferencias, obteniendo resultados positivos y
recordando para todos los casos que en la matriz de costos de oportunidad
se debe minimizar)
La frmula de la decisin ptima debera ser:
(x*)=Minx Maxy r(x,y)
Y se lee como el mnimo variando equis del mximo variando ye de
erre de equis ye, donde erre de equis ye corresponde a la matriz de
costos de oportunidad del problema
Donde;
en un problema con compensaciones mximizantes
r(x,y)=Maxx c(x,y) - c(x,y)

para todo (y)

en un problema con compensaciones minimizantes

r(x,y)= c(x,y) - Minx c(x,y)

para todo (y)

Sabiendo que
c(x,y) es la compensacin obtenida si se decide por (x) y ocurre el
estado (y)
r(x,y) representa las ganancias no obtenidas en caso de
maximizacin o los costos adicionales en caso de minimizacin,
siempre en relacin al mejor resultado posible de cada estado (y) de
la naturaleza cuando se decidi por alguna alternativa que no era la
mejor en ese estado. Es una medida de arrepentimiento por haber
elegido mal ante cada uno de los resultados posibles.
Cmo se interpreta la Matriz de Mnimo Lamento en el criterio de
Savage? No olvide de identificar la interpretacin basada en un
objetivo maximizante y uno minimizante
Esta matriz contiene los costos de oportunidad (o lamentos) en vez de las
compensaciones, costos de oportunidad de no haber seleccionado la mejor
decisin ante cada posible estado de la naturaleza.

35

Teora de la Decisin
En caso de maximizacin cada uno de los componentes (r(x,y)) representa
los valores (generalmente ganancias o ingresos) no obtenidos cuando se
decidi por alguna alternativa que no era la mejor en cada uno de los
estados de la naturaleza analizados
En caso de minimizacin cada uno de los componentes (r(x,y)) representa
los costos pagados por sobre el valor que se hubiera obtenido si se decida
por la mejor alternativa en cada uno de los estados de la naturaleza
analizados
Es una medida de arrepentimiento por haber elegido mal ante cada uno de
los resultados posibles. De esta manera el sujeto decisor se lamentar de
perder esa diferencia y eso ser para l ms importante que lo que gane o
pierda, por lo tanto propone minimizar esa diferencia.

Enfoque de Equiprobabilidad (Laplace o Lagrange)

Este criterio mantiene el concepto inicial de la relacin entre satisfaccin y
compensacin y basndose en el Principio de la Razn Insuficiente, que dice
que si no conocemos la ley de distribucin de las probabilidades de los
distintos estados de la naturaleza, debemos asumir que todos tienen la
misma probabilidad de ocurrencia;
siguiendo ese razonamiento se
considera como funcin de decisin d(x) para cada alternativa al promedio
de las compensaciones que le corresponden a la misma para cada uno de
los estados posibles de la naturaleza. La mayor dificultad con que se cuenta
con este enfoque es que dado que la cantidad estados posibles puede ser
distinta de un decididor a otro, tambin los promedios pueden resultar
distintos, lo que le agrega mayor grado de subjetividad a la decisin.
La objecin que se suele hacer al criterio de Laplace es la siguiente: ante
una misma realidad, pueden tenerse distintas probabilidades, segn los
casos que se consideren. Por ejemplo, una partcula puede moverse o no
moverse, por lo que la probabilidad de no moverse es 1/2. En cambio,
tambin puede considerarse de la siguiente forma: una partcula puede
moverse a la derecha, moverse a la izquierda o no moverse, por lo que la
probabilidad de no moverse es 1/3. Desde un punto de vista prctico, la
dificultad de aplicacin de este criterio reside en la necesidad de elaboracin
de una lista exhaustiva y mutuamente excluyente de todos los posibles
estados de la naturaleza. Por otra parte, al ser un criterio basado en el
concepto de valor esperado, su funcionamiento debe ser correcto tras
sucesivas repeticiones del proceso de toma de decisiones. Sin embargo, en
aquellos casos en que la eleccin slo va a realizarse una vez, puede

36

Teora de la Decisin
conducir a decisiones poco acertadas si la distribucin de resultados
presenta una gran dispersin.
Entonces; Cul de los enfoques de decisin en Universo Incierto
es el ms adecuado para decidir?
Un mismo problema perteneciente al Universo Incierto puede tener varias
soluciones, dependiendo del enfoque que se siga para decidir. No es posible
decir que uno de stos sea mejor que otro, ya que cada uno tiene sus
propias ventajas y desventajas. El decisor debe utilizar el que considere
adecuado, segn los datos del problema y a partir de un conocimiento
amplio de cmo opera cada criterio.

8. Anlisis con probabilidades y con informacin perfecta.

Como ya se ha visto la clasificacin de un caso dentro de un tipo u otro de
Universo depende, adems de las razones subjetivas que pueda tener el
decididor, de la informacin que se tenga del medio, los hechos y
circunstancias, que influyen en el proceso de decisin. En el caso de
Universo Aleatorio vimos las limitaciones con que debe tomarse la
informacin de probabilidad, pero tambin cuando estas se tienen en cuenta
los beneficios que pueden obtenerse son considerables. En el caso de
Universo Incierto vimos que es posible aplicar un criterio de
equiprobabilidad para los distintos Estados de la Naturaleza. Algunos
autores proponen tambin el uso de probabilidades subjetivas basadas en
experiencias no rigurosamente registradas y otros asignan a los estados
una distribucin de tipo binomial (repeticin n veces de un suceso que tiene
dos resultados posibles, con probabilidad p y 1-p respectivamente) con pj =
(nj)*pj*(1-p)n-j. Cualquiera de estas que sea la situacin, siempre es
factible la realizacin de pruebas o experimentos que mejoren la
informacin de probabilidad o que permitan acercarse ms al conocimiento
de cual puede ser el verdadero estado de la naturaleza que se presentar
para la decisin en curso. Cuando se hace as se designa probabilidad a
priori a la informacin procedente de cualquiera de las alternativas
anteriores y probabilidad a posteriori a la que se obtiene luego de efectuar
el experimento y conocer los resultados.
Obviamente que la realizacin de cualquier tipo de consulta o prueba tiene
aparejado un costo y entonces debe analizarse si el beneficio econmico
que la mejora de informacin puede aportar, justifica el costo que por ella
se pagar. Una primera estimacin til que puede obtenerse, es calcular
cunto podra pagase por la informacin perfecta, es decir la que ante cada
circunstancia que se deba tomar la decisin, aporte el conocimiento exacto

37

Teora de la Decisin
del estado de la naturaleza que se presentar; ejemplo, sea un proceso con
dos alternativas de decisin y dos estados posibles como los de la tabla:
ALTERNATIVAS
Decisin I
Decisin II

ESTADOS POSIBLES
probabilidad
40%
60% Esperanza Mat.
800
300
500
500
900
740

Aplicando la Esperanza Matemtica calculamos la columna de la derecha y

la eleccin recaer en la Decisin II con una ganancia esperada de 740, sin
embargo si nos aportaran la informacin perfecta para cada circunstancia
(los Estados se seguirn presentando en la frecuencia dada por las
probabilidades) haramos en cada caso la decisin ms adecuada y
ganaramos: 800*0.4 + 900*0.6 = 860, es decir que la diferencia entre
860 y 740 que es 120 es lo mximo que podra pagarse por la informacin
perfecta.
Valor De La Informacin Perfecta (Vip)
Como sabemos, que nos den informacin perfecta no implica un cambio en las probabilidades,
por lo que los estados de la naturaleza seguirn teniendo la misma probabilidad de
presentacin aunque ahora se podra elegir la mejor alternativa ante cada uno de los
resultados posibles.
En caso de problemas de Maximizacin:
Para el pago esperado sin experimentacin utilizamos la funcin de decisin sin informacin
adicional (valor esperado con probabilidades)
VESP= i [c(x,yi) * P(yi)]
Para el pago esperado con inf. Perfecta se podra elegir la mejor alternativa ante cada uno de
los resultados posibles y luego considerar el valor esperado
VEIP= i [ Maxx c(x,yi) * P(yi)]
Entonces el VALOR DE LA INFORMACIN PERFECTA (VIP) es la diferencia entre el valor
esperado con los mejores resultados y el valor esperado, representando la mejora que podra
haber en las utilidades o pagos y ser:
VIP= VEIP VESP
En caso de problemas de Minimizacin:
Para el pago esperado sin experimentacin utilizamos la funcin de decisin sin informacin
adicional (valor esperado con probabilidades)
VESP= i [c(x,yi) * P(yi)]
Para el pago esperado con inf. Perfecta se podra elegir la mejor alternativa ante cada uno de
los resultados posibles y luego considerar el valor esperado
VEIP= i [ Minx c(x,yi) * P(yi)]
Entonces el VALOR DE LA INFORMACIN PERFECTA (VIP) es la diferencia entre el valor
esperado y el valor esperado con los mejores resultados, representando la mejora que podra
haber en las pagos o costos y ser:
VIP= VESP - VEIP

38

Teora de la Decisin

Resumiendo:
Para maximizacin
VIP= i [ Maxx c(x,yi) * P(yi)] i [c(x,yi) * P(yi)]
Para minimizacin
VIP= i [c(x,yi) * P(yi)] - i [ Minx c(x,yi) * P(yi)]

9. Enfoque de Informacin imperfecta usando Probabilidad

condicionada de Bayes.
Como todos los mtodos de ensayo o experimentacin son imperfectos hay
que determinar en cada caso cuanto puede llegar a pagarse por la mejora y
para eso se utiliza lo que se llama el Anlisis Bayesiano.
Para ello es necesario recordar dos expresiones derivadas del clculo de
probabilidades; la primera es derivada de la regla de Multiplicacin de
Probabilidades que se expresa como:
P(S1/1) * P(1) = P(1/S1) *
P(S1) y que significa que la Probabilidad (condicional) del suceso S1,
habiendo ocurrido previamente el suceso 1, multiplicada por la
Probabilidad de ocurrencia de 1 aisladamente, es igual a la Probabilidad
(condicional) de ocurrencia del suceso 1, habiendo ocurrido primero el
suceso S1 multiplicada por la Probabilidad de ocurrencia del suceso S1
aisladamente y ambas expresiones representan la probabilidad de
presentacin simultnea de los dos sucesos; la segunda es la formula de la
Probabilidad Total que se expresa como: P(1) = P(1/S1) * P(S1) +
P(1/S2) * P(S2) + ..........+ P(1/Sn) * P(Sn) que significa que si la
aparicin del suceso 1 se produce en presencia de S1 S2 ....... Sn, y
slo en presencia de uno, constituyendo stos un sistema completo de
sucesos mutuamente excluyentes (la suma de sus probabilidades es igual a
1), su probabilidad ser igual a la suma de las probabilidades de aparicin
simultnea de cada uno de los sucesos Si junto con 1.
Juntando ambas expresiones se llega a la Frmula de Bayes: P(S1/1) =
={P(1/S1)*P(S1)} / {P(1/S1)*P(S1) + P(1/S2)*P(S2) +......+
P(1/Sn)*P(Sn)} En el caso de evaluar la informacin adicional se utilizar
los Si para representar los Estados posibles y los i sern los resultados
posibles del ensayo o prueba; esa expresin estara entonces diciendo que
la Probabilidad corregida o a posteriori del estado S1 dado como resultado
de la prueba, 1 es igual al producto de la probabilidad de aparicin del
resultado 1 en presencia del Estado S1 por la probabilidad a priori del
estado S1 dividido por la probabilidad total de obtener el resultado 1. La
probabilidad de aparicin de los distintos resultados de la prueba en
presencia de los Estados de la Naturaleza posibles, surgen de experiencias
anteriores y que el proveedor de dicho ensayo proporcionar a fin de
certificar las bondades de su producto.

39

Teora de la Decisin
De esta forma se podr conocer la nueva distribucin de probabilidad de los
Estados en base al resultado que se obtenga de la prueba y con ella volver
a calcular la Esperanza Matemtica que permita hacer la seleccin de la
alternativa ms conveniente; pero adems la Frmula de Bayes permite
conocer cuales seran los valores corregidos de las probabilidades para
todos los resultados posibles de la prueba, antes que esta se efecte y,
conjuntamente, las Esperanzas Matemticas para todas las situaciones
posibles, de modo de poder determinar de antemano una estrategia de
decisiones y un valor esperado del resultado, el que comparado con el valor
esperado sin prueba permitir determinar cual es el costo mximo que se
puede aceptar para dicha prueba y en definitiva si la misma es o no
conveniente. Para efectuar este anlisis se utiliza una herramienta de
mucha utilidad, derivada de la Teora de Redes, que son los rboles de
decisin, siendo la figura que sigue un ejemplo de ello.
Este ejemplo corresponde a un caso de dos decisiones posibles, con tres
estados (resultados) posibles y una prueba con dos resultados probables.
Se dibuja el rbol de izquierda a derecha, partiendo de la primera decisin
que es realizar o no la prueba, la parte superior que corresponde a no
realizar la prueba, se contina en dos decisiones posibles de las cuales
salen las tres alternativas correspondientes a los estados de la naturaleza
posibles. Por la parte inferior se contina con los dos (pueden ser ms)
resultados posibles de la prueba y a continuacin las correspondientes
decisiones y estados que pueden aparecer, que son idnticos a los de la
parte superior.
Para calcular los valores de los nodos, que en definitiva sern los
determinantes de las decisiones, se trabaja de derecha a izquierda. Los
cuadros de extrema derecha representan las compensaciones reales que se
obtendran de tomar una de las decisiones y que se produzca uno de los
estados probables. El tercio superior representa la decisin sin prueba y los
dos tercios inferiores representan la decisin con prueba, por lo tanto los
resultados de stos ltimos deben ir afectados del costo de dicha prueba.

40

Teora de la Decisin
Sobre cada rama de estado probable se coloca el valor de su probabilidad,
lo que multiplicado por el correspondiente resultado que se encontrar a la
derecha, dar su contribucin a la Esperanza Matemtica; luego sumadas
todas las ramas que concurren a un crculo se obtiene el valor de Esperanza
correspondiente a esa decisin el que se coloca en ese crculo.
Se sigue avanzando de derecha a izquierda, al encontrar un cuadrado
quiere decir que corresponde a una alternativa de decisin y como se decide
por la Esperanza Matemtica, se coloca all el valor correspondiente a la
rama que maximiza (o minimiza, segn el sentido de la optimizacin) la
Esperanza. Se contina as hacia la izquierda llenando todo el rbol,
recordando que los cuadrados representan situaciones de decisin y los
crculos situaciones aleatorias no gobernadas por el decididor. Si el costo de
la prueba se conoce de antemano, se podr llegar al ltimo cuadrado de la
izquierda y conocer el valor esperado total y los valores esperados con y sin
la prueba y la correspondiente decisin ms conveniente.
Superada la etapa de decisin de hacer o no la prueba, el rbol se
constituye siempre de etapas de decisin y de probabilidad intercaladas.
Para los casos en que es imposible contar con una probabilidad a priori, el
resultado de una prueba puede ser el factor condicionante para tomar una
decisin y en ese caso, si bien ya no se puede utilizar la Esperanza
Matemtica, se puede definir una Funcin de Riesgo asociada a esa
Estrategia de la siguiente forma: sea la estrategia, decidir d1(x) cuando =
i como sigue: d1(x) = D1 para x = 1
y
d1(x) = D2 para x = 2
a la que se desea comparar con la
d2(x) definida como: d2(x) = D2 para x= 1
y

d2(x) = D1 para x = 2

La funcin de Riesgo para d1(x) ser: R(d1,S) = Max {R(d1,S1);

R(d1,S2)} donde R(d1,S1) = -C(D1S1) * P(1/S1) -C(D2S1) * P(2/S1) +
CP
y
R(d1,S2) = -C(D1S2) * P(1/S2) -C(D2S2) * P(2/S2) + CP
donde los C(D,S) representan los resultados del par decisin D, estado S y
van con signo negativo para darle al riesgo un sentido de costo; CP es el
costo de la prueba o ensayo. As se podrn comparar los riesgos de las
distintas estrategias y elegir aquella que lo minimice.

41

Teora de la Decisin
Anlisis de un Caso de Teora de la Decisin y Toma de decisiones.
El anlisis de decisiones se utiliza para desarrollar una estrategia ptima
cuando un tomador de decisiones enfrenta varias alternativas de decisin y
a un patrn de eventos futuros incierto o lleno de riesgos. Por ejemplo, la
de elegir a quien enviar a reparar las computadoras de una
empresa.
Incluso cuando se ha realizado un anlisis de decisiones minucioso, los
eventos futuros inciertos vuelven incierta la consecuencia final. En algunos
casos, la alternativa de decisin seleccionada puede proporcionar resultados
buenos o excelentes. En otros casos puede ocurrir un evento futuro
relativamente improbable que provoca que la alternativa de decisin
seleccionada d resultados apenas aceptables o incluso malos. El riesgo
asociado con cualquier alternativa de decisin es un resultado directo de la
incertidumbre asociada con la consecuencia final. Un buen anlisis de
decisiones incluye un anlisis del riesgo. Mediante dicho anlisis el tomador
de decisiones obtiene informacin de la probabilidad de que ocurran las
consecuencias tanto favorables como desfavorables de su eleccin.
FORMULACION DEL PROBLEMA
La empresa C&P servicios Informticos tiene actualmente un gran nmero
de Computadoras tipo PC que son utilizadas a diario en sus centros de
capacitacin y de desarrollo software. Actualmente cuenta con varios
Centros con no menos de 50 computadoras o equipos informticos en cada
uno. En uno de los centros cuentan con un ingeniero en sistemas que los
asesora en temas referidos a fallas y reparacin de equipos informticos
(llamaremos SC al ingeniero mencionados en futuras referencias)
Durante los ltimos tiempos han existido fallas en las PC y otros equipos
informticos por lo que solicitaron a SC que identifique Tcnicos
Reparadores externos a la empresa para realizar la tarea de reparacin de
dichos equipos.
Informe 1 de SC sobre Reparadores existentes
Luego de un anlisis detallado donde se definieron criterios para la seleccin
de los Reparadores, entre los que se consideraban la experticia, costos,
tipos y tiempos de reparacin de equipos computadores; y una larga lista
de Postulantes que se presentaron y considerando diferentes tcnicas
Multicriterio5 para la Toma de Decisiones Racionales se proponen para el
servicio tcnico a los siguientes:
TECNICO 1: Con caractersticas de Tcnico Junior
TECNICO 2: Con caractersticas de Tcnico Avanzado
Ambos Aseguran la reparacin total del equipamiento y no existe ninguna
razn para preferir a alguno de ellos.
Al finalizar cada reparacin, los tcnicos harn un informe declarando como
Falla Leve o Falla Grave en cada caso que se utilizara para la facturacin en
base a las tarifas propuestas.
Tarifas propuestas por los tcnicos para cada equipo reparado
TECNICO 1: Con caractersticas de Tcnico Junior
Falla Leve $ 100,00
Falla Grave $ 1.300,00

Las Tecnicas Multicriterio se analizaran detalladamente mas adelante.

42

Teora de la Decisin
TECNICO 2: Con caractersticas de Tcnico Avanzado
Falla Leve $ 300,00
Falla Grave $ 1.100,00
No se tiene informacin respecto de los equipos informticos que sern
reparados.
Un factor en la seleccin de la mejor alternativa de decisin es la
incertidumbre asociada con el evento fortuito concerniente a la demanda del
tipo de reparacin
Se propone a la gerencia hacer un anlisis de decisiones considerando
diferentes escenarios:
a) hacer una anlisis de decisiones posibles a considerar en el problema
b) hacer un anlisis de los eventos fortuitos que se puedan presentar
c) Hacer una anlisis de consecuencias
d) Realizar un Diagrama de Influencias
e) Preparar una Tabla de Resultados
f) Realizar un rbol de Decisin
g) Enfoque de certeza
h) Realizar un anlisis de Toma de decisiones sin probabilidades con
diferentes enfoques:
1. Enfoque optimista
2. Enfoque pesimista o conservador
3. Enfoque de equiprobabilidad
4. Enfoque de arrepentimiento
5. Enfoque de Optimismo relativo.
6. Enfoque de Optimismo relativo y anlisis de sensibilidad
i) Enfoque con informacin histrica y probabilstica
j) Realizar un Anlisis de valor de la informacin adicional para la toma
de decisin
a. Enfoque de Informacin Perfecta
b. Enfoque de Informacin imperfecta usando Probabilidad
condicionada de Bayes
k) Realizar un Anlisis de Utilidad
l) Realizar un diseo de formularios y bases de datos tiles para la
toma de decisiones automatizada para este tipo de casos
Luego de una reunin de los directivos de la empresa decidieron aceptar las
propuestas de SC adems de considerar razonables los anlisis solicitados.
Se consider que podra asignarse a SC la tarea de seleccionar el tcnico
reparador para cada equipo informtico considerando la realizacin de un
muy buen anlisis de la situacin planteada.
Mientras tanto se realizaran los anlisis propuestos, aunque estaran
dispuestos a recibir asesoramiento de SC sobre el caso planteado
Informe 2 de SC sobre Caso de los Reparadores
Dado el planteamiento del problema, es lgico que la decisin sea
seleccionar a que tcnico enviar cada computadora para realizar la
reparacin.
C&P tiene las dos alternativas de decisin descriptas a continuacin:
a) hacer una anlisis de decisiones posibles a considerar en el
problema: Identificar las Variables de Decisin
Variables de Decisin

43

Teora de la Decisin
(Alternativas o cursos de accin a seguir)
X1: Enviar a reparar a Tcnico Junior
X2: Enviar a reparar a Tcnico Avanzado
Cuando se le pregunt a los usuarios por la demanda de reparaciones, los
afectados reconocieron una amplia variedad de posibilidades, pero se
decidi que sera adecuado considerar dos resultados posibles de los
eventos fortuitos: La existencia de una falla leve y la de una falla grave en
los equipos PC considerados.
En el anlisis de decisiones los resultados posibles para un evento fortuito
se conocen como estados de la naturaleza, los cuales se definen de modo
que ocurra uno y slo uno de todos los estados posibles. Para el problema
de C&P, el evento fortuito relativo al tipo de falla en los equipos tiene dos
estados de la naturaleza:
b) hacer un anlisis de los eventos fortuitos que se puedan presentar:
Identificar los estados de la Naturaleza o Variables de Estado
Situaciones Posibles o Estados de la Naturaleza
Fallas detectadas por el Reparador
Y1: Falla Leve (el equipo tuvo una falla leve)
Y2: Falla Grave (el equipo tuvo una falla grave)
Como podemos observar, la gerencia debe seleccionar primero una
alternativa de decisin (tcnico a seleccionar para la reparacin de cada
PC), luego un estado de la naturaleza (tipo de falla) y finalmente ocurrir
una consecuencia; en este caso, los costos de la reparacin.
c) Hacer una anlisis de consecuencias para la Toma de Decisiones
con Informacin bsica.
A continuacin se muestra el anlisis de datos realizado para decidir si una
empresa enva a reparar las computadoras a un tcnico Junior o a uno
Avanzado. Adems e incluyen datos sobre pronsticos realizados y su uso
en la toma de estas decisiones.
Sin considerar los tiempos de reparacin se ha podido observar los
diferentes costos en ambos casos los que se expresan en la siguiente tabla:
Fallas detectadas por el
Tcnico Junior
Tcnico
Reparador
Avanzado
Falla Leve
$100
$300
Falla Grave
$1300
$1100
d) Realizar un Diagrama de Influencias
Diagramas de influencia
En el diagrama de influencia para el problema de C&P, El tcnico a
seleccionar es el nodo de decisin, el tipo de falla es el nodo fortuito y los
costos son el nodo de consecuencia. Los arcos que conectan los nodos
muestran que tanto el tcnico a seleccionar como el tipo de falla influyen en
los costos de C&P.

44

Teora de la Decisin

Tipo de
Falla

Tcnico a
Seleccionar

Estados de la naturaleza:
Falla Leve
Falla Grave

Costos
Consecuencia
Costo de
Reparacin

Alternativas de Decisin:
Tcnico junior
Tcnico Avanzado

e) Preparar una Tabla de Resultados

Tablas de resultados o consecuencias: Costos de Reparacin de cada
equipo segn el tipo de falla resultante.
Variables \ Estados de la Naturaleza
X1:
Enviar a reparar a Tcnico Junior
X2:
Enviar a reparar a Tcnico Avanzado

Y1:
Falla Leve

Y2:
Falla Grave

$ 100,00

$ 1.300,00

$ 300,00

$ 1.100,00

f) Realizar un rbol de Decisin

rboles de decisin
Decimos por ejemplo que SC tiene dos decisiones a tomar, pero en el caso
de tomar la primera, si ocurre el primer estado de la naturaleza obtendr
una muy buena valoracin de la compensacin obtenida, pero s en cambio
ocurre el segundo estado de la naturaleza obtendr el peor resultado
posible; pero si analizamos la segunda decisin, ante el primer estado
estaremos en el peor resultado posible y a la inversa si ocurre el segundo
estados obtendramos el mejor resultado posible.

Tcnico
Junior

Falla Leve
Tipo de
Falla
Falla Grave

Tcnico a
Seleccionar

Falla Leve
Tcnico
Avanzado

Consecuencias o
Compensaciones
$100
$1300
$300

Tipo de
Falla
Falla grave

$1100

45

Teora de la Decisin
De manera inversa, si supiramos exactamente qu tipo de falla tiene un
equipo podra tomar una decisin que lo lleve a obtener el mejor resultado
posible.

Falla Leve

T. Junior
Tcnico a
Seleccinar

Tipo de
Falla
TiT

Falla Grave

Consecuencias o
Compensaciones
$100

T.Avanzado

$300

T. Junior

$1300

Tcnico a
Seleccinar

T.Avanzado

$1100

g) Enfoque de certeza
Como podemos observar, si conociramos exactamente el estado de la
naturaleza podramos elegir fcilmente la mejor alternativa posible. En el
caso de la seleccin del Tcnico, en caso de que conozcamos que el tipo de
falla es Leve, siguiendo el rbol de decisin podramos identificar como
mejor alternativa la seleccin del tcnico Junior, mientras que si sabemos
que el tipo de falla es Grave, siguiendo el rbol de decisin podramos
identificar como mejor alternativa la seleccin del tcnico Avanzado. En
ambos casos estaremos obteniendo el mejor resultado posible.

Falla Leve

T. Junior
Tcnico a
Seleccinar

Tipo de
Falla
TiT

Falla Grave

Consecuencias o
Compensaciones
$100

T.Avanzado

$300

T. Junior

$1300

Tcnico a
Seleccinar

T.Avanzado

$1100

Teora de la Decisin. Toma de decisiones en bajo incertidumbre

Recordemos que incertidumbre implica conocer exactamente qu resultados
se pueden presentar aunque sin disponer informacin sobre cul de ellos se
presentara.
Resmanos la informacin til a continuacin:

46

Teora de la Decisin
Durante los primeros meses de este ao se asign a SC, tcnico de
la empresa, la tarea de realizar el anlisis de las computadoras y
sus fallas para luego realizar una propuesta de envo de estos
equipos a un Tcnico Reparador.
Actualmente la empresa cuenta con 2 tcnicos aprobados: uno
Junior y otro avanzado.
La empresa necesita tomar una decisin respecto de esta situacin
Objetivo:

Minimizar costos de reparacin (objetivo nico)

Variables de decisin:

X1: Enviar a reparar a Tcnico Junior

X2: Enviar a reparar a Tcnico Avanzado

Estados de la Naturaleza:

Y1: El equipo presenta una Falla Leve (se lo simplificara como Y1:
Falla Leve)
Y2: El equipo presenta una Falla Grave (se lo simplificara como Y2:
Falla Grave)

Funcin de Compensaciones:

se cuenta solo con los costos finales (ver Matriz de Compensaciones y

Funcin de Utilidad) por lo que no es necesario identificar alguna
frmula para el clculo de las compensaciones posibles del problema.

Matriz de compensaciones:
Variables \ Estados de la Naturaleza
X1:
Enviar a reparar a Tcnico Junior
X2:
Enviar a reparar a Tcnico Avanzado

Y1:
Falla Leve

Y2:
Falla Grave

$ 100,00

$ 1.300,00

$ 300,00

$ 1.100,00

Enfoques para la Toma de Decisin que se deberan considerar:

En la ltima reunin los directivos de la empresa consideran que el anlisis que
se plantea es irrelevante para el funcionamiento de la misma por lo que no hubo
acuerdos al respecto pero si logro acordar sobre los diferentes criterios o
consideraciones a tener en cuenta.
(1) Todos lo Directivos: Anlisis optimista (aunque lo consideraron
irrelevante).
(2) Directivo A: Anlisis pesimista o conservador.

47

Teora de la Decisin
(3) Directivo B: Considera que las fallas son igualmente probables.
(4) Directivo C: No le gusta pagar ms por servicios que otro hubiera hecho
lo mismo pero a menor precio.
(5) Directivo D: Ha participado de muchas compras de equipamiento por lo
que cree que se considera optimista en que el 80% de las veces se
obtendrn los mejores costos.
(6) Directivo A: Propone que la participacin del directivo anterior en
muchas compras de equipamiento es irrelevante para considerarse
optimista por lo que solicita identificar los diferentes niveles de
optimismo y las respectivas decisiones optimas que se puedan identificar
para obtener los mejores costos.

h) Realizar un anlisis de Toma de decisiones sin probabilidades con

diferentes enfoques:
1. Enfoque optimista
Variables \ Estados de la Naturaleza

Y1: Falla
Leve

Y2: Falla
Grave

Funcin de Decisin

X1: Enviar a reparar a Tcnico Junior

X2: Enviar a reparar a Tcnico Avanzado

$ 100,00
$ 300,00

$ 1.300,00
$ 1.100,00

$ 100,00
$ 300,00

Decisin ptima con este criterio: X1: Tcnico Junior

2. Enfoque pesimista o conservador: Criterio de Wald

Variables \ Estados de la Naturaleza

Y1: Falla
Leve

Y2: Falla
Grave

Funcin de Decisin
(Wald-Costo)

X1: Enviar a reparar a Tcnico Junior

X2: Enviar a reparar a Tcnico Avanzado

$ 100,00
$ 300,00

$ 1.300,00
$ 1.100,00

$ 1.300,00
$ 1.100,00

Decisin ptima con este criterio: X2

3. Enfoque de
Lagrange.

equiprobabilidad:

Criterio

de

Laplace

En este criterio se considera la misma probabilidad en todos los estados de la

naturaleza aunque no se tega fundamento para esa decision. Por ello se considerara
lo siguiente: Nmero de estados:2 ( n=2 ) por lo que p(Yi)=0.5
Falla Y2:
Falla Funcin de Decisin
Variables \ Estados de Y1:
Leve
Grave
(Laplace-Costo)
la Naturaleza
X1: Enviar a reparar a
Tcnico Junior
$ 100,00
$ 1.300,00
(100 + 1300)/2 = $ 700,00
X2: Enviar a reparar a
Tcnico Avanzado
$ 300,00
$ 1.100,00
(300 + 1100)/2 = $ 700,00
En la Decisin ptima con este criterio se presenta una INDIFERENCIA entre X1 y X2.

48

Teora de la Decisin
4. Enfoque de Arrependtimiento: Criterio de Savage
Variables \ Estados de la Naturaleza
X1: Enviar a reparar a Tcnico Junior
X2: Enviar a reparar a Tcnico Avanzado

Y1: Falla Leve

Y2: Falla Grave

$ 100,00
$ 300,00

$ 1.300,00
$ 1.100,00

Matriz de los lamentos obtenida:

Variables \
Naturaleza

Estados de la

X1: Enviar a reparar a

Tcnico Junior
X2: Enviar a reparar a
Tcnico Avanzado

Y1: Falla Leve

Y2: Falla Grave

Funcin de Decisin
(Savage-WaldLamentos-Costo)

100.00 - 100,00 = 0

1.300,00 - 1.100,00 = 200

200,00

300,00 - 100,00 = 200

1.100,00- 1.100,00 = 0

200,00

En la Decisin ptima con este criterio se presenta una INDIFERENCIA entre X1 y X2.

5. Enfoque de Optimismo relativo: Criterio de Hurwicz.

En este criterio se necesita conocer el grado de optimismo del
tomador de decisiones para lo que se propuso un valor de 0.80.
(nivel de optimismo alfa:0.8)
Y1:
Variables \
Estados
Falla
de la Naturaleza
Leve
X1: Enviar a reparar $
a Tcnico Junior
100,00
X2: Enviar a reparar $
a Tcnico Avanzado 300,00

M:
Y2: Falla
Mayor
Grave
Valor
$
$
1.300,00 1.300,00
$
$
1.100,00 1.100,00

m:
Menor
Valor
$
100,00
$
300,00

Funcin
de
Decisin
(Hurwicz-Costo-alfa 0.8)
d(x)=alfa * m + (1-alfa) * M
d(x1)=0,8 * 100 + (0,2) *
1300 = $ 340,00
d(x2)=0,8 * 300 + (0,2) *
1100 = $ 460,00

En la Decisin ptima con este criterio se presenta con X2.

6. Enfoque de Optimismo relativo y anlisis de sensibilidad:
Criterio de Hurwicz con la identificacin de niveles de
optimismo alfa y sus respectivas decisiones.
Variables \ Estados de la Naturaleza
X1: Enviar a reparar a Tcnico Junior
X2: Enviar a reparar a Tcnico Avanzado
m:
Variables \ Estados de la M: Mayor
Menor
Naturaleza
Valor
Valor
X1: Enviar a reparar a
Tcnico Junior
$ 1.300,00 $ 100,00
X2: Enviar a reparar a
Tcnico Avanzado
$ 1.100,00 $ 300,00

Y1:
Falla Leve
$ 100,00
$ 300,00

Y2:
Falla Grave
$ 1.300,00
$ 1.100,00

Funcin de Decisin (Hurwicz-Costoalfa .08

d(x)=alfa * m + (1-alfa) * M
d(x1)= alfa * 100 + (1-alfa) *
d(x2)= alfa * 300 + (1-alfa) * 1100

49

Teora de la Decisin
Grfico de Costos segn el nivel de optimismo considerado
$1.400,00
$1.200,00
$1.000,00
$800,00

X1

$600,00

X2

$400,00
$200,00
$0,00
0

0,5

En la interseccin se cambia de alternativa de decisin por lo que

llamaremos alfa1 al valor que le corresponde y que deberamos
buscar aplicando el mtodo de igualacin.
100 alfa + 1300 - 1300 alfa = 300 alfa + 1100 - 1100 alfa
100 alfa + 1300 - 1300 alfa -300 alfa - 1100 + 1100 alfa = 0
-400 alfa = -200
Alfa= 0,5
En la Decisin ptima con este criterio se presenta de la siguiente forma:
X2: si

0 <= alfa <= 0,5

X1: si

0,50 <= alfa <= 1

i) Enfoque con informacin histrica y probabilstica

Toma de Decisiones con Informacin. Caso del Tcnico Reparador
Anlisis con probabilidades.
Durante los primeros meses de este ao SC, el tcnico de la
empresa, estuvo realizando el envo de los equipos a los tcnicos
reparadores e informo a los directivos que de un total de 33 equipos
reparados, hubo 17 equipos con fallas leves y 16 equipos con fallas
graves. (ver Anexo)
Anlisis con probabilidades aplicando el Criterio del Valor Esperado.
En base a los
probabilidades

datos

anterior

podemos

Fallas detectadas por el Reparador

Falla Leve
Falla Grave
Total

identificar

Frecuencia
17 veces
16 veces
33

las

siguientes

Probabilidad
0,5152
0,4848
1

50

Teora de la Decisin
Considerando el Criterio del valor esperado aplicaramos las siguientes
formulas: d(x)=
x*=
Variables \ Estados de la Naturaleza

Y1:
Falla Leve

Y2:
Falla Grave

Funcin
de Decisin

X1: Enviar a reparar a Tcnico Junior

X2: Enviar a reparar a Tcnico Avanzado

$ 100,00
$ 300,00

$ 1.300,00
$ 1.100,00

681,82
687,88

Probabilidades P(Yi)

0,5152

0,4848

Por lo tanto, considerando las probabilidades y suponiendo que en el futuro

se seguirn manteniendo las mismas, la decisin optima seria X1: Enviar
a reparar a Tcnico Junior lo que nos dara un valor esperado
mnimo para el costo de 681,82.
j) Realizar un Anlisis de valor de la informacin adicional para la toma
de decisin
a. Enfoque de Informacin Perfecta
Nuestras decisiones para el nuevo caso pasaran a ser las siguientes:
Uno de los directivos propone contratar a un amigo que sabe mucho
de computadoras y es especialista para hacer una revisin rpida
que indicar siempre si la falla es Leve o Grave. El tcnico analista
cobrara $200 por cada computadora analizada.
Nuestras decisiones para el nuevo caso pasaran a ser las siguientes:
X3: no contratar la informacin perfecta (no al tcnico especialista)
X4: si contratar la informacin perfecta (no al tcnico especialista)
Como sabemos, que nos den informacin perfecta no implica un cambio en
las probabilidades, por lo que los estados de la naturaleza seguirn teniendo
la misma probabilidad de presentacin aunque ahora se podra elegir la
mejor alternativa ante cada uno de los resultados posibles.
Es decir que si el tcnico especialista dice que tiene Falla Leve ocurrir el
evento Falla Leve con seguridad del 100%, pero este evento (Falla Leve)
seguir teniendo una probabilidad de 0,5152 (seguir ocurriendo el 52% de
las veces). Por otro lado, si el tcnico especialista dice que tiene Falla
Grave ocurrir siempre el evento Falla Leve, pero el mismo seguir teniendo
una probabilidad de 0,4848.
Si el tcnico especialista dice Falla Leve, nuestra decisin ser X1:
Enviar a reparar a Tcnico Junior cuyo costo es el menor ($100) pero
Si el tcnico especialista dice Falla Grave, nuestra decisin ser X2:
Enviar a reparar a Tcnico Avanzado cuyo costo es el menor para este
caso($1.100). SIEMPRE ELEGIRIAMOS EL MEJOR RESULTADO ANTE
EL RESULTADO QUE SE PROPONE CUANDO NOS OFRECEN LA
INFORMACION PERFECTA.

51

Teora de la Decisin
Considerando los datos analizados en costo esperado cuando existe
informacin perfecta ser:
Estados de la Naturaleza
Y1: Falla Leve Y2: Falla Grave
Probabilidades
0,5152
0,4848
Costo Esperado
Con informacin perfecta los
Costos seran
$ 100,00
$ 1.100,00
584,85
Pero este anlisis solo nos permitira identificar cual es el valor de la
informacin perfecta, ya que sin informacin nuestro costo ser de 681,82
por lo que la diferencia ser:
Valor esperado SIN informacin adicional = 681,82
Valor esperado con informacin perfecta = 584,85
Reduccin del costo esperado al utilizar la informacin perfecta =
681,82 - 584,85 = 96,97
En consecuencia, como el tcnico especialista pretende cobrar $200 por
entregarnos la informacin perfecta, no estaramos dispuestos a pagarla ya
que el mximo que pagaramos por ella seria de hasta $96,97
b. Enfoque de Informacin
condicionada de Bayes

imperfecta

usando

Probabilidad

Anlisis con probabilidades y con informacin imperfecta.

Nueva Decisin a considerar: Los datos sobre las computadoras
analizadas durante los primeros meses de este ao fueron
obtenidos y preparados por SC, un tcnico revisor de la empresa
que se postula para ser contratado para realizar un informe especial
para cada computadora a un costo de $50 cada computadora. Este
tcnico revisor proyecta una reduccin de los costos esperados en
un 10% sobre los actuales. (Ver Anexo)
a. Cuales seran sus decisiones si no pudiera obtener la informacin
adicional.
Considerando el enfoque probabilstico y que las probabilidades analizadas
en los tems anteriores eran:
Estados de la Naturaleza Y1: Falla Leve Y2: Falla Grave
Probabilidades P(Yi)
0,5152
0,4848
Con las compensaciones planteadas en la siguiente tabla:
Variables \ Estados de la Naturaleza

Y1:
Falla Leve
$ 100,00

X1: Enviar a reparar a Tcnico Junior

X2: Enviar a reparar a Tcnico
Avanzado
$ 300,00

Y2:
Falla Grave
$ 1.300,00
$ 1.100,00

52

Teora de la Decisin

Variables \ Estados de la Naturaleza

Valor Esperado

X1: Enviar a reparar a Tcnico 100,00 * 0,5152 + 1.300,00 * 0,4848 =

Junior
681,82
X2: Enviar a reparar a Tcnico 300,00 * 0,5152 + 1.100,00 * 0,4848 =
Avanzado
687,88
Por lo tanto, considerando las probabilidades y suponiendo que en el futuro
se seguirn manteniendo las mismas, la decisin optima seria X1: Enviar
a reparar a Tcnico Junior lo que nos dara un valor esperado
mnimo para el costo de 681,82.
b. Cuanto pagara usted por un informe que nos otorgara la
informacin perfecta para este caso.
Los mejores resultados y probabilidades para cada uno de los estados de la
naturaleza serian
Estados de la Naturaleza
Y1: Falla Leve Y2: Falla Grave
Probabilidades
P(Y1)=0,5152
P(Y2)=0,4848
Con informacin perfecta los Costos seran
$ 100,00 $ 1.100,00
Calculando el valor esperado:
Valor Esperado Con 100,00 * 0,5152 + 1.100,00 * 0,4848 Costo Esperado
584,85
informacin perfecta = 584,85
Reduccin del costo esperado al utilizar la informacin perfecta = 681,82 584,85 = 96,97
Estaramos dispuestos a pagar por la informacin perfecta un mximo de
$96,97.
c. Con los datos obtenidos anteriormente, le conviene analizar el
PRONOSTICO, de informacin imperfecta, cuyo costo es de $50, por
parte tcnico revisor de la empresa?
Me conviene analizar la prueba porque me cuesta $50 y pagara
hasta $96,97 por una prueba perfecta. El costo es inferior por lo que
podra ofrecer mejoras al valor esperado.
d. Elabore un rbol de decisin, cualquiera sea la decisin tomada
con los resultados anteriores.
INFORME DEL REVISOR DE LA EMPRESA SOBRE LOS PRONOSTICOS QUE
PROVEE: Habiendo analizado un total de 33 computadoras se procedi a
indicar con base a la experiencia si el equipo SI ENCENDIA-FALLA LEVE
(t1) O NO ENCENDIA-FALLA GRAVE (t2) indicando que de las 16
veces que pronostic SI ENCENDIA-FALLA LEVE 4 VECES OCURRIERON
FALLAS LEVE, y que de las 17 veces que pronostic NO ENCENDIAFALLA GRAVE 4 VECES OCURRIERON FALLAS GRAVE.

53

Teora de la Decisin
Tambin pudo haber descripto que los antecedentes muestran que se
pronostic al 48,48% de los equipos con SI ENCENDIA-FALLA LEVE, de
los cuales tuvo un (4/17) 23,53% de acierto cuando ocurri FALLA LEVE
y un (4/16) 25% de acierto cuando ocurri FALLA GRAVE.
Otra forma de describirlo indicara que los antecedentes muestran que el
51,52% de los equipos tuvieron FALLA LEVE, de los cuales tuvo un (4/16)
25% de acierto cuando pronostic SI ENCENDIA-FALLA LEVE y un
(4/17) 23,53% de acierto cuando pronostic NO ENCENDIA-FALLAS
GRAVE.
Datos disponibles para el anlisis de informacin propuesta por el tcnico
revisor de la empresa para la toma de decisiones con informacin
adicional (aparentemente es bastante malo pronosticando, pero no
estamos juzgando que tan buen pronosticador sea, sino que
estamos tomando una decisin basndonos en sus pronsticos
suponiendo que seguir pronosticando de la misma forma):
Resultados Obtenidos cuando se enviaron los
Especialista
Cantidad
de
Fallas Cantidad
de
Fallas
Leves Ocurridas
Graves Ocurridas
17
16

equipos a reparar al Tcnico

0,5152

Probabilidades

0,4848

Estados
de
la Y1:
Falla Y2:
Naturaleza
Leve
Grave
Probabilidades P(Yi) 0,5152
0,4848
Cantidad de Equipos Revisados: 33

Cantidad
arreglados
33

de

Equipos

Falla

Cantidad de
Si Enciende-Fallas Leves
Pronosticadas
16

Cantidad de
No Enciende-Fallas Graves Cantidad de
Pronosticadas
Pronsticos Realizados
17
33

0,4848

0,5152

Probabilidades

El Pronosticador
dijo
"Si Enciende-Falla
Leve"
Cuando realmente
ocurri
"Falla
Leve"

El Pronosticador
dijo
Si Enciende-Falla
Leve
Cuando realmente
ocurri
"Falla Grave"

El Pronosticador
dijo
"No
EnciendeFalla Grave"
Cuando realmente
ocurri
"Falla Leve".

El Pronosticador
dijo
"No
EnciendeFalla Grave"
Cuando realmente
ocurri
Falla Grave"

dL/L

dL/G

dG/L

dG/G

12

13

Los Datos originales de los estudios se encuentran en el anexo del ejercicio.

54

Teora de la Decisin
Variables de Decisin
X1: Enviar a reparar a Tcnico Junior
X2: Enviar a reparar a Tcnico Avanzado
Nuevas Variables de Decisin
X5: NO debe contratar el pronstico del tcnico revisor a $50
X6: SI debe contratar el pronstico del tcnico revisor a $50
Nuevas Variables de los resultados de la prueba
dL: La prueba dice SI ENCIENDE-FALLA LEVE
dG: La prueba dice NO ENCIENDE-FALLA GRAVE
Los datos asociados a los pronsticos serian:
dL: Pronostic Si
Enciende-Falla
Leve
4
12
16

Estados de la Nat. Cuando

Pronostic --->>>
Falla Leve
Falla Grave

Pronstico \ Estados de la
Nat.
Pronostic
Si Enciende-Falla Leve
Pronostic
No Enciende-Falla Grave
Total de veces del Estado

dG: Pronostic No
Enciende-Falla
Grave
13
4
17

Falla
Leve

Falla
Grave

Total de veces
del Pronstico

12

16

13
17

4
16

17
33

Datos
Priori

Con la formula de Bayes obtenemos la siguientes probabilidades a

priori
Pronstico \ Estados de la Nat.

Falla Leve

P(dL/FL)
Pronostic Si Enciende-Falla Leve
4/17
P(dG/FL)
Pronostic No Enciende-Falla Grave
13/17
Quedando la probabilidades de la siguiente forma:
Pronstico \ Estados de la Nat.
Pronostic
Si Enciende-Falla Leve
Pronostic

Falla Grave
= P(dL/FG)
12/16
= P(dG/FG)
4/16

Falla Leve

Falla Grave

0,2353

0,7500

0,7647

0,2500

=
=

Probabilidad
a Priori

55

Teora de la Decisin
No Enciende-Falla Grave
Suma
1
Probabilidad de lo Estados Yi 0,5152

1
0,4848

Las Probabilidades Beyesianas seran:

Denominador (Suma de Prob.Bay)
Pronostic
Si Enciende-Falla Leve
Pronostic
No Enciende-Falla Grave

Probabilidades
Bayesianas

P(dL)= 0,4848
P(dG)= 0,5152

Con la formula de Bayes obtenemos la siguientes probabilidades a

posteriori
Pronstico \ Estados de la Nat.
Pronostic
Si Enciende-Falla Leve
Pronostic
No Enciende-Falla Grave

Falla Leve Falla Grave Suma

0,2500

0,7500

0,7647

0,2353

Probabilidades
a Posteriori

e. Debe contratarse el pronstico?

No debe contratarse el pronstico porque el costo esperado sin informacin adicional
es de $681,82 en cambio el costo con informacin imperfecta es mayor ($683,33)
f. Cul es el Costo monetario mnimo esperado para la decisin tomada?

56

Teora de la Decisin
el Costo monetario mnimo esperado para la decisin tomada es de $681,82
g. Hasta cuanto hubiera pagado por un pronstico con estas caractersticas.
Por un pronstico con estas caractersticas hubiera pagado hasta $48,48.
h. De las concusiones necesarias sobre este problema.
Teniendo en cuenta los resultados obtenidos la decisin ptima sera No contratar el
pronstico con lo que obtendramos un costo mnimo esperado de $681,82. En este
caso siempre enviaramos a reparar al Tcnico Junior
Si un pronstico con estas caractersticas costase menos de $48,48, convendra
contratar el pronstico teniendo en cuenta que la prueba nos dar un resultado,
nuestras decisiones seran las siguientes:
Si el Pronstico dice Si Funciona-Falla Leve (dL), decidiremos enviar al Tcnico
Avanzado (X2).
Si el Pronstico dice No Funciona-Falla Grave (dG), decidiremos enviar al Tcnico
Junior (X1).

57

Anexo: El analisis que se describe a continuacion describe lo pronosticado y la ocurrencia real para cada una
de las computadoras analizadas. Se mantienen los titulos de las columnas de la tabla anterior. En la tabla se
colocara "1" cuando la computadora "i" SI presenta el dato descripto en la columna y se se colocar "0"
cuando la computadora "i" NO presenta el dato descripto en la columna
Numero
Maquina
Analizada
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

Pronostico
Realizado
Falla
Falla
Leve
Grave
0
1
0
1
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
0
1
0
1
0
1
0
1
0
1
0
1
0
1
1
0
1
0
0
1
0
1
0
1
0
1
0
1
1
0
0
1
1
0
1
0
0
1
1
0
1
0
0
1
1
0

Resultado
Ocurrido Ocurrencia Real
Falla
Falla
Leve
Grave
1
0
0
1
0
1
1
0
0
1
0
1
0
1
0
1
1
0
0
1
1
0
0
1
1
0
1
0
1
0
1
0
1
0
0
1
0
1
1
0
1
0
1
0
1
0
1
0
0
1
0
1
0
1
0
1
1
0
1
0
1
0
0
1
0
1

Pronostico realizado frente al

resultado real Ocurrido
dL/L
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0

dL/G
0
0
1
0
1
1
1
1
0
1
0
0
0
0
0
0
0
1
1
0
0
0
0
0
1
0
1
1
0
0
0
0
1

dG/L
1
0
0
0
0
0
0
0
0
0
1
0
1
1
1
1
1
0
0
1
1
1
1
1
0
0
0
0
1
0
0
0
0

dG/G
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0

Analiza
das
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

Detalle de Fallas en los ltimos 33 equipos reparados con detalle de gastos y gasto
promedio por la reparacin.
De un total de 33 equipos reparados, hubo 17 equipos con fallas leves y 16
equipos con fallas graves

58

Numero Maquina Analizada

i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

Tipo de Falla Ocurrida

Falla Leve
Falla Grave
Falla Grave
Falla Leve
Falla Grave
Falla Grave
Falla Grave
Falla Grave
Falla Leve
Falla Grave
Falla Leve
Falla Grave
Falla Leve
Falla Leve
Falla Leve
Falla Leve
Falla Leve
Falla Grave
Falla Grave
Falla Leve
Falla Leve
Falla Leve
Falla Leve
Falla Leve
Falla Grave
Falla Grave
Falla Grave
Falla Grave
Falla Leve
Falla Leve
Falla Leve
Falla Grave
Falla Grave

Gasto promedio
736,3636364
Gasto Real que ocurrio
300
1100
1300
100
1300
1300
1300
1300
100
1300
300
1100
300
300
300
300
300
1300
1300
300
300
300
300
300
1300
1100
1300
1300
300
100
100
1100
1300

Detalle de Fallas pronosticadas en los ltimos 33 equipos reparados con detalle de

gastos esperados o pronosticados y gasto promedio que se esperaba tener.
De un total de 33 equipos reparados, hubo 17 equipos con fallas leves y 16
equipos con fallas graves
De un total de 33 equipos pronosticados,

pronostico 16 equipos con Si enciende-fallas leves y

pronostico 17 equipos con No enciende-fallas graves

59

Numero Maquina Analizada

i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

Pronostico Realizado
Tipo de Falla Propuesta
No enciende-Falla Grave
No enciende-Falla Grave
Si enciende-Falla Leve
Si enciende-Falla Leve
Si enciende-Falla Leve
Si enciende-Falla Leve
Si enciende-Falla Leve
Si enciende-Falla Leve
Si enciende-Falla Leve
Si enciende-Falla Leve
No enciende-Falla Grave
No enciende-Falla Grave
No enciende-Falla Grave
No enciende-Falla Grave
No enciende-Falla Grave
No enciende-Falla Grave
No enciende-Falla Grave
Si enciende-Falla Leve
Si enciende-Falla Leve
No enciende-Falla Grave
No enciende-Falla Grave
No enciende-Falla Grave
No enciende-Falla Grave
No enciende-Falla Grave
Si enciende-Falla Leve
No enciende-Falla Grave
Si enciende-Falla Leve
Si enciende-Falla Leve
No enciende-Falla Grave
Si enciende-Falla Leve
Si enciende-Falla Leve
No enciende-Falla Grave
Si enciende-Falla Leve

Gasto Promedio que esperaba tener

615,1515152
Gasto esperado
1100
1100
100
100
100
100
100
100
100
100
1100
1100
1100
1100
1100
1100
1100
100
100
1100
1100
1100
1100
1100
100
1100
100
100
1100
100
100
1100
100

60

Ejercicios Adicionales
Problema 1. (Bayes con informacin Adicional)
Una empresa de gran tamao puede satisfacer sus necesidades de
combustible con un contrato anual o una serie de contratos mensuales
durante el invierno. El costo del contrato anual es de 80 centavos por litro.
Si el ao es normal, el costo promedio del litro de combustible en los
contratos mensuales ser de 75 centavos, pero si es un ao de escasez de
combustible, el costo medio de los contratos mensuales ser de 95 centavos
por litro. La empresa usar 100.000 litros de combustible en el ao y el
director estima que la probabilidad de escasez es de 1 / 10.
El gerente puede gastar 500 pesos para obtener un pronstico econmico
profesional con el fin de saber si el ao ser normal o de escasez. A
continuacin se exhiben los datos de los pronsticos anteriores y la
ocurrencia real en los ltimos 20 aos.
ltimos 20 aos:
RESULTADOS
PRONOSTICADOS.
Normal
Escasez
TOTAL
15
3
18
OCURRENCIA NORMAL
REAL
ESCASEZ
0
2
2
TOTAL
15
5
20
La tabla es descripta por el profesional de la siguiente manera: Se debe
notar que las 15 veces que se pronostic ao normal siempre se
acert y cuando hubo ao de escasez el pronstico siempre acert.
Se produjo ao de escasez 2 veces en los veinte aos analizados
RESPONDA CLARAMENTE A LOS SIGUIENTES PUNTOS:
a)
Cuales seran sus decisiones si no pudiera obtener la informacin
adicional.
b)
Cuanto pagara usted por un informe que nos otorgara la informacin
perfecta para este caso.
c)
Con los datos obtenidos anteriormente, le conviene analizar la
prueba?
d)
Elabore un rbol de decisin, cualquiera sea la decisin tomada con
los resultados anteriores.
e)
Debe comprarse el pronstico?
f)
Cul es el costo monetario mnimo esperado? (O beneficio mximo
esperado segn el caso)
g)
Hasta cuanto hubiera pagado por un pronstico con estas
caractersticas.
h)
De las conclusiones necesarias sobre este problema.
Resolucin del ejercicio:
a. Estamos en un Problema de costos, por lo tanto deseamos minimizar los
costos.

61

Variables de decisin
Estados de la Naturaleza

X1:
X2:
Y1:
Y2:

Realizar un Contrato Anual.

Realizar Contratos Mensuales.
El Ao es Normal.
El Ao es de Escasez.

Si no se puede obtener informacin adicional tendramos la siguiente tabla

de costos:
X \ Y
Y1: Ao Normal Y2:Ao de Escasez Valor Esperado
X1:
80000
80000
80000
Contrato Anual
X2:
75000
95000
77000
Contratos Mensuales
Probabilidades
0.9
0.1
La decisin ptima sera elegir X2: realizar contratos mensuales, con
los cuales estimamos obtener el mnimo costo esperado de $ 77000.
b. Si el informe fuera perfecto, obtendramos el siguiente costo esperado
(o beneficio esperado):
75000 * 0.9 + 80000 * 0.1 = 75500
Por lo tanto, el valor mximo que pagaramos por una prueba
perfecta sera:
77000
75500
=
1500
$ 1500
c. Me conviene analizar la prueba porque me cuesta $500
hasta $1500 por una prueba perfecta.
d. Para el rbol de decisin necesitamos los siguientes datos:
Los Nuevos costos incluyendo el costo de la prueba seran:
X \ Y
X1: Contrato Anual
X2: Contratos Mensuales
Probabilidades

Y1: Ao Normal
80500
75500
0.9

y pagara

Y2:Ao de Escasez
80500
95500
0.1

TN : La prueba dice que habr un ao

normal
Las Resultados de la
prueba seran:
TE : La prueba dice que habr un
ao de escasez
Los resultados obtenidos en pruebas anteriores tienen las siguientes
probabilidades:
T \ Y
TN: Prueba dice Normal
TE: Prueba dice Escasez

Y1: Ao Normal
5/6
1/6

Y2:Ao de Escasez
0
1

62

P(Y1/TN) = P(TN/Y1) * P(Y1) = . (5/6) * 0.9

. = 0.75 = 1
P(TN/Yi) * P(Yi)
(5/6) * 0.9 + 0 * 0.1 0.75
P(Y2/ TN) = .
0 * 0.1
. =
0
= 0
(5/6) * 0.9 + 0 * 0.1
0.75
P(Y1/ TE) = P(TE/Y1) * P(Y1) = . (1/6) * 0.9
. = 0.15 = 0.6
P(TE/Yi) * P(Yi)
(1/6) * 0.9 + 1 * 0.1
0.25
P(Y2/ TE) = .
1 * 0.1
. = 0.10 = 0.4
(1/6) * 0.9 + 1 * 0.1
0.25
Las probabilidades bayesianas seran:
T \ Y
Y1: Ao Normal Y2:Ao de Escasez
TN: Prueba dice Normal 1
0
TE: Prueba dice Escasez 0.6
0.4
Los costos esperados utilizando las probabilidades
TN -> E[c(x,y)] = 80500 * 1 +
80500
X1:
TE -> E[c(x,y)] = 80500 * 0.6 +
80500
TN -> E[c(x,y)] = 75500 * 1 +
95500
X2:
TE -> E[c(x,y)] = 75500 * 0.6 +
95500

X1
No Hacer
La Prueba
77000

bayesianas seran:
* 0 = 80500
* 0.4 = 80500
* 0 = 75500
* 0.4 = 83500

Y1 (0.9)

80000

Y2 (0.1)

80000

Y1 (0.9)

75000

Y2 (0.1)

95000

Y1 (1)

80500

Y2 ( 0 )

80500

Y1 (1)

75500

Y2 ( 0)

95500

Y1 (0.6)

80500

Y2 (0.4)

80500

Y1 (0.6)

75500

Y2 (0.4)

95500

80000

77000
X2

76750
Hacer la
Prueba

X1
TN (0.75)

77000

80500

75500
X2

75500

Hacer la
Prueba
76750
X1
TE (0.25)

80500

80500
X2

83500

63

e) Debe comprarse el pronstico (prueba) para ser realizado, y de esta

manera obtendramos el mnimo costo esperado que sera tener un costo de
$76750 para la poltica.
El rbol de decisin est desarrollado ms arriba
f) El costo monetario mnimo esperado es de $76750.
g) Por un pronstico con estas caractersticas hubiera pagado hasta
(77000 76250) = 750$
=> Hasta $750
h) Teniendo en cuenta los resultados obtenidos la decisin ptima sera
hacer la prueba con lo que obtendramos un costo mnimo esperado de $
76750.
Teniendo en cuenta que la prueba nos dar un resultado, nuestras
decisiones seran las siguientes:
Si la prueba dice que habr un ao normal (TN), decidiremos realizar
contratos mensuales (X2).
Si la prueba dice que habr un ao con escasez (TE), decidiremos realizar
contratos anuales (X1).
Si la prueba costase ms de $750, no haramos la prueba y decidiramos
realizar contratos mensuales (X2).

64