Módulo 7: Teoría de decisiones

MÓDULO:7

TEORÍA DE DECISIONES

1
Módulo 7: Teoría de decisiones
Introducción:

El hombre diariamente debe tomar decisiones sobre diversos aspectos que

tiene que ver con su vida. Muchas son tomadas en forma rutinaria, quizás
basadas en hábitos y no de manera racional, sin embargo, hay ocasiones e
las cuales se tiene que tomar una decisión importante para la cual debe
evaluarse cuidadosamente tanto la información disponible, así como las
alternativas de solución con las que se cuenta.

2
Módulo 7: Teoría de decisiones
Introducción:

Procesos Estocásticos (Probabilísticas)

Consideremos puntos discretos en el tiempo, para los cuales es posibles
obtener un estado de la variable que caracteriza al sistema. La familia de
variables aleatorias, forma un proceso estocástico.

¿Modelos determinísticos v/s Modelos Estocásticos?

 Espacio muestral:
Definimos a “S”, como el conjunto de todos los resultados posibles del
experimento “E”
 Suceso:
Definimos a “A” (con respecto a un espacio muestral “S”), como un conjunto
de resultados posibles.

3
Módulo 7: Teoría de decisiones
Introducción:

Probabilidad:
¿Cómo asignamos un valor a cada suceso A que mida la posibilidad de
ocurrencia?
¿Repitiendo el experimento un gran número de veces y determinando su
frecuencia?
Sin embargo: ¿cómo sabemos que tan extenso realizar el experimento?
¿cómo eliminamos la condición particular de cada
experimentador?

Definición formal:
Sea E un experimento. Sea S un espacio muestral asociado con E. Con cada
suceso A asociamos un número real, designado por P(A) y llamado la
“Probabilidad de que A” satisfaga las siguientes propiedades:

4
Módulo 7: Teoría de decisiones
Probabilidad:

Probabilidad:
(1)0<= P(A) <=1
(2)P(S) = 1
(3)Si A y B son sucesos que se excluyen mutuamente, P(AUB) =P(A)+P(B)
(4)Si A1,A2,....An,....son sucesos que se excluyen mutuamente de par en par,
entonces: ∞ ∞
P(UAi)
i=1
= P(Ai)
i=1

5
 Módulo 7: Teoría de decisiones
Probabilidad Condicional

Sean A y B eventos tales que P(B) > 0, la probabilidad del evento A

condicional a la ocurrencia del evento B es:

P(A/B) = P(A∩B) P(B/A) = P(A∩B)

P(B) P(A)

En general, dado un experimento y su espacio muestral asociado, queremos

determinar cómo afecta a la probabilidad de A el hecho de saber que ha
ocurrido otro evento B.

6
 Módulo 7: Teoría de decisiones
Ejemplo Probabilidad Condicionada:

Consideremos una urna que contiene 4 bolillas rojas y 5 blancas. De las 4

bolillas rojas, 2 son lisas y 2 rayadas y de las 5 bolillas blancas, 4 son lisas y
una sola es rayada. Supongamos que se extrae una bolilla y, sin que la
hayamos mirado, alguien nos dice que la bolilla es roja, ¿cuál es la
probabilidad de que la bolilla sea rayada?

ROJAS BLANCAS TOTALES

LISAS 2 4 6
RAYADAS 2 1 3
TOTALES 4 5 9

7
Módulo 7: Teoría de decisiones
Ejemplo Probabilidad Condicionada:

Solución: Sean los sucesos A: “la bolilla es rayada” y B: “la bolilla es roja”.
Obviamente, sin ninguna información previa, P(A)= 3/9=1/3 y P(B)=4/9. Sin
embargo, como sabemos que la bolilla es roja, la probabilidad de que sea rayada
es ½, ya que, de las rojas la mitad es lisa y la mitad rayada. Observemos, que al
ocurrir B, el espacio muestral se reduce.

8
 Módulo 7: Teoría de decisiones
Teorema de Bayes:

Fórmula probabilística que relaciona las probabilidades condicionadas a la

ocurrencia de un determinado suceso

P(A/Bi) P(Bi)
P(Bi/A) = k
i = 1,2,3...k


j=1
P(A/Bj) P(Bj)

Teorema de la probabilidad total

9
Módulo 7: Teoría de decisiones
Ejemplo Teorema de Bayes:

Suponga que disponemos de muchas cajas de caramelos de dos tipos,

cajas tipo A y cajas tipo B. Las cajas tipo A contienen un 70% de dulces con
azúcar (CA) y un 30% de dulces sin azúcar (SA), mientras que las tipo B,
dichos porcentajes son al revés. Además, suponga que el 60% de todas las
cajas de caramelos son tipo A, mientras que el resto son del tipo B.

Ahora, estamos ante el siguiente problema de decisión. Usted recibe una

caja de dulces de tipo desconocido. Se le permite sacar una muestra de un
caramelo, y con esta información debe decidir si cree que el dulce procede
de una caja del tipo A o B.

Si al sacar un dulce, corresponde a un dulce con azúcar (CA), ¿con que

probabilidad podríamos decir que corresponde a una caja tipo A?

10
Módulo 7: Teoría de decisiones
Ejemplo Teorema de Bayes:
0,7
CA

Representación por
A
diagrama de árbol 0,6 0,3
SA

0,3 CA
0,4
B

0,7 SA

P(A/CA) = P(CA/A) P(A) = 0,7 x 0,6 = 0,42/0,54 = 0,77

P(CA/A)P(A) + P(CA/B)P(B) 0,7 x 0,6 + 0,3 x 0,4

Por lo tanto, podríamos decir con mayor confianza que el dulce proviene
de una caja tipo A que tipo B
Ejercicio propuesto: Si al sacar un dulce, corresponde a un dulce sin
azúcar (SA), ¿con que probabilidad podríamos decir que corresponde a
una caja tipo A?
11
Módulo 7: Teoría de decisiones
Árboles de Decisión:

Es una representación esquemática del proceso que se lleva a cabo para

tomar una decisión.

Elementos necesarios:
• Probabilidades de ocurrencia de un evento
• Decisiones a tomar dependiendo de la ocurrencia de eventos.
• Inversiones o costos de decisión.
• Ventas o utilidades de negocio.

Diagramación:

Nodos de decisión

Nodo probabilístico

12
Módulo 7: Teoría de decisiones
Árboles de Decisión:

A continuación se presentaran algunos de los términos más utilizados en la

teoría de decisiones y sus definiciones:
Decisión alternativa: Es cada una de las posibles opciones que puede
elegir la persona que toma la decisión. También se les denomina como
estrategias, y se les denota Di ,siendo i el subíndice de cada posibilidad.

Estados de la naturaleza: Estas son las acciones externas que están fuera
de control de la persona que toma la decisión. Se les denota Ei.

Resultado de una decisión: Este es el valor numérico con el cual se

cuantifica cada decisión para un estado de la naturaleza dado, normalmente
se expresa en unidades monetarias.

Matriz de pago: Es la tabla que contiene los resultados de tomar cada una
de las posibles decisiones alternativas ante cada estado de la naturaleza
que pueda suceder (Di X Ei ). También se les denomina como Tabla de
resultados o ganancias condicionales. 13
Módulo 7: Teoría de decisiones
Árboles de Decisión:

Criterio del valor esperado:

Como principal criterio se considera evaluar las situaciones posibles en
función de su valor esperado.

Etapas de análisis:
Los árboles de decisión permiten desarrollar criterios de decisión para
evaluar lo que puede denominarse alternativas “de múltiples etapas”, donde
se toman decisiones dependiendo una de otra.

14
 Módulo 7: Teoría de decisiones
Ejemplo Árbol de decisión:
Un agricultor de la zona está considerando plantar ésta temporada de invierno en
su predio agrícola zanahorias. El agricultor sabe que existe la posibilidad de que
se presente una helada, lo cual le haría perder la cantidad de M$5200 , pero en
caso de que aquello no suceda, considera que ganaría M$12000. Por otra parte
si no siembra, tiene la posibilidad de arrendar el predio a un valor de M$1200 si
las condiciones del clima son favorables, de lo contrario si hay heladas será
posible sólo a un valor de M$1000. Conforme a datos de años anteriores se
estima que la probabilidad de que este año hiele es de 60%. Ante ésta situación
construya la matriz de pago y el árbol de decisión.
Solución:
E2 (No
Estados de E1 (Haya Haya
decisión Helada) Helada)
D1; Sembrar -5200 12000
D2; No sembrar 1000 1200
15
Módulo 7: Teoría de decisiones

E1 M$-5200

B
M$12000
E2
A
E1 M$1000

E2 M$1200

16
Módulo 7: Teoría de decisiones

HE 0,6 M$-5200

1680 0,4
M$12000
NHE
A
0,6 M$1000
HE

1080
0,4

NHE M$1200

Por lo tanto, viendo los valores en los nodos de decisión, la alternativa a

elegir es sembrar.

17
 Módulo 7: Teoría de decisiones
Ejemplo 2 Árbol de decisión:

Una empresa de repuestos ha decidido quitar la representación de sus productos

a un distribuidor por los malos resultados mostrados en los últimos años. Por esto
puede llegar a un acuerdo extrajudicial, pagando MM$50 a la distribuidora, o bien
ir a tribunales de justicia. En caso de ir a juicio, la empresa de repuestos sabe
que la decisión de los jueces será completamente al azar, pero con un 70% de
probabilidad que ganará el juicio y no deberá pagar nada a la distribuidora. Sin
embargo, en caso de perder deberá indemnizar a la distribuidora en un monto
aleatorio distribuido según una variable uniforme entre MM$40 y MM$360.
¿Cuál será la estrategia óptima y la cantidad de dinero esperada a desembolsar
por la empresa de repuestos?

Solución: Estados de
decisión E1 (Gana) E2 (Pierde)
Juicio 0 200
Acuerdo 50

18
Módulo 7: Teoría de decisiones

Gana 0,7 0

60 0,3
MM$200
Pierde
50

MM$50

Por lo tanto, lo indicado es aceptar el acuerdo con la distribuidora y

desembolsar MM$50
19
 Módulo 7: Teoría de decisiones
Ejercicio árbol de decisión propuesto
Una empresa familiar dedicada a la venta de tortas está buscando la manera de
programar su trabajo para año siguiente, por lo cual está analizando con
información anterior sobre su demanda de tortas cuantas deberá preparar de
modo que sus utilidades sean máximas. Para la empresa el costo de cada torta
es de $0,80, el precio de venta es $1, sólo que aquellas tortas que hayan sido
preparadas y no se hayan vendido al final del día tienen que ser rematadas a
$0,7 cada una. De una estadística que abarca 100 días de ventas pasadas, la
empresa ha hallado lo siguiente:

demanda de
tortas Nº de días
900 35
1000 45
1100 20
Total 100
20
 Módulo 7: Teoría de decisiones
Ejercicio árbol de decisión propuesto

Además, ha preparado la siguiente tabla de utilidades:

Nº de tortas Demanda Demanda Demanda
Preparadas 900 1000 1100
900 180 180 180
1000 170 200 200
1100 160 190 220
¿Cuánto será la cantidad a producir y la ganancia del negocio?
Solución: Preparar 1000 tortas con una ganancia de $189,5.

21
 Módulo 7: Teoría de decisiones
Ejercicio árbol de decisión con teorema de bayes

Una empresa de eventos masivos al aire libre debe decidir si colocar o no

una carpa contra la probable lluvia en su próximo evento. La probabilidad a
priori de lluvia es de 0,4 y de que no haya lluvia es de 0,6. si el día del
espectáculo llueve y no se colocó la carpa se pierden USD 100.000, por el
contrario, si llueve, pero el evento se realiza encarpado, se gana USD
150.000 y si el día del evento no llueve se ganan USD 200.000. El costo de
encarpar el estadio es de USD 50.000.
La empresa tiene la posibilidad de contratar una oficina meteorológica
privada, que con su experiencia ha logrado determinar que en el 80% de las
veces que llovió la oficina pronosticó lluvia y que en el 60% de las veces que
no llovió la oficina pronosticó lluvia. El costo de contratar la oficina es de
USD 20.000.
Determinar la mejor decisión a tomar por la empresa.

22
 Módulo 7: Teoría de decisiones
Ejercicio árbol de decisión con teorema de bayes

Solución: Cálculo de probabilidades condicionadas:

Probabilidades a priori:
0,8  0,4
P(LL)=0,4 P( LL / DLL )   0,47
P(NLL)=0,6 (0,8  0,4)  (0,6  0,6)
0,6  0,6
Probabilidades a posteriori: P( NLL / DLL )   0,53
(0,6  0,6)  (0,8  0,4)
P(DLL/LL)=0,8
P(DNLL/LL)=0,2 0,2  0,4
P( LL / DNLL)   0,25
(0,2  0,4)  (0,4  0,6)
P(DLL/NLL)=0,6
P(DNLL/NLL)=0,4
Cálculo de probabilidad Total:
P( DLL )  P( DLL / LL )  P( LL )  P( DLL / NLL)  P( NLL) 
P( DLL )  0,8  0,4  0,6  0,6
P( DLL )  0,68
P( DNLL)  0,32

23
 Módulo 7: Teoría de decisiones
Ejercicio árbol de decisión con teorema de bayes
LL=0,47 150
C/CARPA
-50 176,5

126,5
NLL=0,53
200
S/CARPA
DLL=0,68

LL=0,47
59
-100

130,02 LL=0,25
150
C/CARPA NLL=0,53
187,5
CONTRATAR 200
-50
DNLL=0,32
-20
137,5
NLL=0,75 200
S/CARPA

130 LL=0,25
LL=0,40 150 125
-100

Conviene no contratar a
180 la oficina y colocar la
NLL=0,6 NLL=0,75
200 carpa, con un VE de
NO CONTRATAR C/CARPA 200 ganancia de US$130.000
-50
-100
LL=0,40

130 S/CARPA

80 NLL=0,6
200
24