28/3/10

Teora de Decisiones
Cursos de accin (decisiones)
Estados de la Naturaleza
Naturaleza no juega en contra del decisor
resultado
Estado de naturaleza

resultado
Decisin

resultado

Estado de naturaleza
resultado

28/3/10

Teora de Decisiones
Llevar paraguas
Seco
Si
Llueve?
No

Si
Llevar paraguas?
No

Si

seco
mojado

Llueve?
No

seco

Matriz de Ganancias/Prdidas
Estado de la naturaleza
Decisin

d1

r11

r12

r1m

d2

r21

r22

r2m

dn

rn1

rn2

rnm

rij: Ganancia /prdida por tomar la decisin i

y la ocurrencia del estado de la naturaleza j

28/3/10

Matriz de Ganancias/Prdidas
Estado de la naturaleza
Decisin

d1

r11

r12

r1m

d2

r21

r22

r2m

dn

rn1

rn2

rnm

Caso ideal:
Saber con certeza
que ocurrir un
estado de la
naturaleza, por
ejemplo: 2
Entonces, elegir:
max(r12, r22, , rn2)

rij: Ganancia /prdida por tomar la decisin i

y la ocurrencia del estado de la naturaleza j

Toma de Decisiones
Certeza

Se conoce cul ser el estado de la naturaleza

IncerSdumbre

No hay evidencias o indicios sobre cules son los

estados de la naturaleza ms probables.
La experiencia previa del decisor determina si se
consideran equiprobables, se opta por una estrategia
pesimista o una opSmista

Riesgo

Se sabe qu estados de la naturaleza son ms

probables (caso intermedio)

28/3/10

Decisiones con IncerSdumbre

Mtodo Maximin
Pesimista: Considera siempre disminuir las
prdidas, es decir, tomar la decisin que corre
menos riesgo.


Mejor( peor )
Mtodo:
Tomar la peor ganancia posible para cada decisin
Elegir la mejor opcin de ellas.

Decisiones con IncerSdumbre

Mtodo Maximin (para ganancia)
Estado de la naturaleza

Mejor ( peor ) = 3 [ opcin d1 ]

Decisin

d1

d2

d3

d4

28/3/10

Decisiones con IncerSdumbre

Mtodo Maximax
OpSmista:
Busca obtener el mximo benecio posible

Mejor( mejor )

Mtodo:
Tomar la mayor ganancia posible para cada decisin
Elegir la mejor opcin de ellas

Decisiones con IncerSdumbre

Mtodo Maximax (para ganancia)
Estado de la naturaleza

Mejor ( mejor ) = 9 [ opcin d4 ]

Decisin

d1

d2

d3

d4

28/3/10

Decisiones con IncerSdumbre

Mtodo Laplace
Todos los estados de la naturaleza son
equiprobables
Mtodo:
Dada la matriz de ganancia
Calcular la esperanza de cada curso de accin (decisin)
con respecto a los estados de la naturaleza posibles
Elegir la decisin de mayor ganancia

Decisiones con IncerSdumbre

Mtodo Laplace (para ganancia)
Estado de la naturaleza

Mejor ( esperanza ) = 6 [ opcin d4 ]

Decisin

d1

5.75

d2

3.5

d3

4.25

d4

28/3/10

Decisiones con IncerSdumbre

Mtodo de Costo de Oportunidad
Considera lo que dejo de ganar por no elegir otro
curso de accin (decisin)
Mtodo:
Dada la matriz de ganancia
Construir la matriz de costo de oportunidad
Elegir la decisin de menor costo de oportunidad

Decisiones con IncerSdumbre

Mtodo de Costo de Oportunidad (para ganancia)
Matriz de ganancias

Matriz de costos
de oportunidad

d1

1 2 3 4
5 7 8 3

d1

1 2 3 4
3 1 1 2

d2

8 3 2 1

d2

0 5 7 4

d3

4 6 2 5

d3

4 2 7 0

d4

6 8 9 1

d4

2 0 0 4

7
16
13
6

28/3/10

Decisiones con Riesgo

Hay ms de un estado de la naturaleza
La probabilidad de ocurrencia de cada estado de
la naturaleza es conocida: pj
Equivalente al mtodo Laplace (si hay igualdad de
probabilidades para cada estado de la naturaleza)
Mtodo:

Calcular la esperanza del curso de accin di :

ERi = ri1 p1 + ri2 p2 + + rim pm

Decisiones con Riesgo

Estado de la naturaleza

Probabilidad del estado

de la naturaleza

Decisin

0.1

0.2

0.5

0.2

d1

= 5 (0.1) + 7 (0.2) + 8 (0.5) + 3 (0.2) = 6.5

d2

= 8 (0.1) + 3 (0.2) + 2 (0.5) + 1 (0.2) = 2.6

d3

= 4 (0.1) + 6 (0.2) + 2 (0.5) + 5 (0.2) = 3.6

d4

= 6 (0.1) + 8 (0.2) + 9 (0.5) + 1 (0.2) = 6.9

28/3/10

Decisiones con Riesgo

Estado de la naturaleza

Probabilidad del estado

de la naturaleza

Decisin

0.1

0.2

0.5

0.2

d1

= 5 (0.1) + 7 (0.2) + 8 (0.5) + 3 (0.2) = 6.5

d2

= 8 (0.1) + 3 (0.2) + 2 (0.5) + 1 (0.2) = 2.6

d3

= 4 (0.1) + 6 (0.2) + 2 (0.5) + 5 (0.2) = 3.6

d4

= 6 (0.1) + 8 (0.2) + 9 (0.5) + 1 (0.2) = 6.9

8 (0.1) + 8 (0.2) + 9 (0.5) + 5 ( 0.2) = 7.9

Valor esperado de la informacin perfecta (EVPI)

Teora de Decisiones
Ejercicio
El propietario de un puesto de diarios debe decidir
cuntos peridicos encargar para la venta. El
dueo del puesto debe pagar $200 por cada
diario para venderlo a $250 cada uno. Los
peridicos que no son vendidos durante el da se
pierden. La experiencia dice que la demanda
diaria vara entre 6 y 10 peridicos, con idnSca
probabilidad de ocurrencia.

28/3/10

Teora de Decisiones
Acciones dominadas
Si un curso de accin ai es dominado, no existe
estado de la naturaleza para el cual ai sea mejor
que ai.
No hay razn para incluir los cursos de accin
dominados en la matriz de ganancias.
En el ejemplo, los cursos de accin de comprar
1..5 peridicos estn dominados por comprar 6,
que nunca entrega menor ganancia. Lo mismo
ocurre con comprar 11 o ms peridicos.

rboles de Decisin
1 2 3
d1 2 6 2
d2 7 2 1
d3 1 7 3

1
2
3

1
2
3

d1
d2
d3

1
2
3

6
2
2
1
1
7
3

10

28/3/10

rboles de Decisin
Ejemplo
Compaa ABC desarrolla una nueva lnea de productos. Se debe decidir
una estrategia de markeSng y produccin adecuada. Se consideran 3
estrategias posibles: A (agresiva), B (bsica) y C (precavida). Las
condiciones del mercado se denotan mediante S (fuerte) o W (dbil).
Las esSmaciones de la administracin entregan la siguiente matriz de
benecios. Adems, se esSma que las probabilidades de que el
mercado sea fuerte o dbil son de 0.45 y 0.55 respecSvamente.

A
B
C

S W
30 -8
20 7
5 15

P(S)=0.45
P(W)=0.55

rboles de Decisin
P(S) = 0.45

Ejemplo
El valor esperado para cada decisin:
ERA = 30 (0.45) 8 (0.55) = 9.10
ERB = 20(0.45) + 7 (0.55) = 12.85
ERC = 5 (0.45) + 15 (0.55) = 10.5

S
W
P(W) = 0.55

B
C

P(S) = 0.45

S
W

P(W) = 0.55

P(S) = 0.45

S
W
P(W) = 0.55

A
B
C

S W
30 -8
20 7
5 15

30
-8
20
7
5
15

P(S)=0.45
P(W)=0.55

11

28/3/10

rboles de Decisin
Resolver el rbol:
Se trabaja desde
las ramas hacia la
raz, esto se llama
retornar el rbol

P(S) = 0.45

Posible
decisin

S
W
P(W) = 0.55

P(S) = 0.45

S
W

P(W) = 0.55

P(S) = 0.45

S
W

Toma de decisin

P(W) = 0.55

Estados de la naturaleza

30
-8
20
7
5
15

Acontecimiento

rboles de Decisin
Anlisis de Sensibilidad
El valor esperado para la estrategia A es:
ERA = 30 P(S) - 8 P(W)
ERA = 30 P(S) - 8 (1 - P(S))
ERA = -8 + 38 P(S)

ERA = 9.10
A
B

ERB = 12.85

C
Funcin lineal sobre la
probabilidad de que las
condiciones del mercado
sean fuertes

ERC = 10.50

Anlogamente,
ERB = 20 P(S) + 7 (1 - P(S)) = 7 + 13 P(S)
ERC = 5 P(S) + 15 (1 - P(S)) = 15 - 10 P(S)

12

28/3/10

rboles de Decisin
Anlisis de Sensibilidad
ERA = -8 + 38 P(S)
ERB = 7 + 13 P(S)
ERC = 15 - 10 P(S)

Ejemplo
Una fbrica est evaluada en 150 millones. La fbrica desea incorporar un
nuevo producto al mercado. Existen tres estrategias para incorporar el
nuevo producto:
Alterna9va 1: Hacer un estudio de mercado del producto de forma de
determinar si se introduce o no al mercado
Alterna9va 2: Introducir inmediatamente el producto al mercado (sin estudio)
Alterna9va 3: No lanzar el producto al mercado (sin estudio)

13

28/3/10

Ejemplo
En ausencia de estudio de mercado, la fbrica esSma
que el producto Sene un 55% de posibilidades de ser
exitoso y 45% de ser un fracaso. Si el producto es
exitoso, la fbrica aumentara en 300 millones su valor,
si el producto fracasa se devaluara en 100 millones.

Ejemplo
El estudio de mercado vale 30 millones. El estudio predice que
existe un 60% de probabilidades de que el producto sea exitoso. Si
el estudio de mercado determina que el producto ser exitoso, hay
un 85% de posibilidades de que efecSvamente lo sea. Si el estudio
de mercado determina que el producto ser un fracaso, existe slo
un 10% de posibilidades de que el producto sea exitoso.

14

28/3/10

Ejemplo

Si la empresa no desea correr riesgos y maximizar el

valor esperado de la empresa, qu estrategia debera
seguir?

Ejemplo
Retornando el rbol

15

28/3/10

Ejemplo
Valor Esperado Con informacin Original (EVWOI)
EVWOI = 270 millones

Valor Esperado Con Informacin Muestral (EVWSI)

264 + 30 = 294 millones

Valor Esperado de la Informacin Muestral

EVSI = EVWSI EVWOI

EVSI = 294 270 = 24 millones

Ejemplo
Valor Esperado Con
Informacin Perfecta
(EVWPI)

Valor Esperado de la Informacin Perfecta

EVPI = EVWPI EVWOI
EVPI = 315 270 = 45 millones

16

28/3/10

Teorema de Bayes
Estados de la naturaleza
S1 : producto tenga xito
S1: producto no tenga xito

Probabilidades previas (a priori)

IP(S1): 0.55
IP(S1): 0.45

Teorema de Bayes
Experimentos, donde
Posibles estados de la naturaleza: S1, S2, , Sn
Resultados experimentos: O1, O2, , Om

Probabilidades condicionales (a posteriori):

IP(Si|Oj), i=1..n j =1..m

17

28/3/10

Teorema de Bayes
T1: Experimento dice que el producto tendr xito
T1: Experimento dice que el producto no tendr xito
IP(S1|T1) = 0.85
IP(S1|T1) = 0.10
IP(S1|T1) = 0.15
IP(S1|T1) = 0.90

Teorema de Bayes
Si se conocen las probabilidades previas IP(Si)
No se conocen las probabilidades a posteriori
Pero se conoce la probabilidad IP(Oj|Si)
Probabilidad que indica la facSbilidad de observar
un determinado resultado como producto de un
experimento
IP(S1) = 0.55
IP(S1) = 0.45

IP(T1|S1)=51/55
IP(T1|S1)=4/55

IP(T1|S1)=9/45
IP(T1|S1)=36/45

18

28/3/10

Teorema de Bayes
Si slo se conoce las probabilidades anteriores para
resolver el problema, se requiere aplicar el teorema
de Bayes para completar el rbol de decisin.
Denicin
Sean A y B dos eventos no independientes, entonces
IP(A|B) = IP(A B)/IP(B)
probabilidad de ocurrencia de A condicionada a la ocurrencia
de B

Teorema de Bayes
Denicin
Sea A un evento condicionado a los eventos Si (i=1..n)
IP(A)=IP(A|S1) IP(S1) + IP(A|S2) IP(S2) + + IP(A|Sn) IP(Sn)
probabilidad total o marginal de ocurrencia del evento A

19

28/3/10

Teorema de Bayes
Teorema
Sean A y B dos eventos no independientes,
entonces se cumple que:

IP(A|B) = IP(B|A) IP(A)

IP(B)

Teorema de Bayes
Ejemplo

Probabilidad marginal

20

28/3/10

Teorema de Bayes

Las probabilidades a priori calculadas pueden ser

usadas para completar el rbol de decisin.

Ejercicio: Tren Rpido

Con el problema de congesSn vehicular y de la sobrepoblacin en SanSago,
el Ministerio de Obras Pblicas desea evaluar la instalacin de un tren rpido
que conecte las ciudades de Valparaso y SanSago y puntos intermedios como
Curauma, Casa Blanca y Curacav.
Analizando lo que sucede los nes de semana, se determin que actualmente
un nmero promedio de 1000 vehculos a la hora realizan el tramo SanSago-
Valparaso los das viernes en horario de punta. Se espera que el tren rpido
reduzca el ujo vehicular y, en consecuencia, disminuya la congesSn en los
peajes.

21

28/3/10

Ejercicio: Tren Rpido

Un estudio realizado permiS determinar que los 1000 vehculos actualmente
se demoran en promedio ms de 3 horas el 80% de las veces, lo que genera
un malestar en el conductor evaluado en 3000 UM y un aumento en el costo
normal de la bencina (con menos de 3 horas) evaluado en 4000 UM y use del
vehculo evaluado en 6000 UM y un aumento del riesgo de accidente
evaluado en 2000 UM.
Por otro lado, se sabe que si el ujo de vehculos es inferior a 400 a la hora y
mayor que 199 un vehculo demorar menos de 3 horas en el 70% de los
casos. Por otro lado se sabe que si el ujo de vehculos es inferior a 200 a la
hora la probabilidad de que un vehculo tarde ms de 3 horas es de 0.2.
Se puede suponer que por sobre 400 vehculos se sigue el mismo
comportamiento que en el caso de los 1000 vehculos a la hora.

Ejercicio: Tren Rpido

Si se asume que en cada auto viaja en promedio 2 personas y que el costo del
pasaje en tren ser de 5000 UM por persona Cul deber ser el ujo
vehicular para que en trminos operacionales el tren fuera rentable?
Considere que si es operaSvamente es rentable la inversin se nanciar sin
inconvenientes. Considere el precio del peaje en 3000 UM.
ObjeSvo: Minimizar costos totales
Estados de la naturaleza:
S1 = ujo vehicular <= 200
S2 = 200 < ujo vehicular <= 400
S3 = 400 < ujo vehicular
S4 = demora >= 3 horas
S4 = demora < 3 hora

IP(S4)= 0.8
IP(S4)= 0.2
A1 = construir el tren rpido
A2 = no construir el tren rpido

22

28/3/10

Ejercicio: Tren Rpido

El impacto en el ujo vehicular debido a la construccin del tren no es
conocido y corresponde justamente a la pregunta del problema. Por lo tanto
debemos considerar una variable x que represente al ujo en la carretera
producto de la construccin del tren. En trminos del valor que tome la
variable x, se puede plantear las siguientes probabilidades condicionales:
IP(S4|x <= 200)
IP(S4|200 < x <= 400)
IP(S4|400 < x)

= IP(S4|S1) = 0.2
= IP(S4|S2) = 0.7
= IP(S4|S3) = 0.8

Ejercicio: Construir el rbol de decisin

Ejercicio: Tren Rpido

Para calcular los valores esperados hay
que emplear la informacin de que en
promedio dos personas van por
automvil y que el pasaje en tren costar
5000 unidades monetarias. Por lo tanto,
el valor esperado del curso de accin A2
es:
E[A2] = (0.8 x 18000 + 0.2 x 7000)
Donde corresponde al ujo actual, es
decir, 1000 vehculos por hora en horario
de punta.

23

28/3/10

Ejercicio: Tren Rpido

Si el impacto del tren fuera tal que el ujo en la carretera
sea inferior a 200 vehculos a la hora (S1), el valor
esperado del curso de accin A1 resulta:
E[A1] = ( - x)10000 + (0.2 x 18000 + 0.8 x 7000) x x <= 200
Similarmente, para los estados de la naturaleza S2 y S3 se Sene:
E[A1] = ( - x)10000 + (0.7 x 18000 + 0.3 x 7000)x 200 < x <= 400
E[A1] = ( - x)10000 + (0.8 x 18000 + 0.2 x 7000)x 400 < x

Ejercicio: Tren Rpido

E[A1] =

10000 800 x
10000 + 4700 x
10000 +5800 x

x<= 200
200 < x <=400
400 < x

Por simple inspeccin se observa que el mnimo costo se Sene cuando el

ujo en la carretera est por debajo de los 200 vehculos, ms
especcamente el costo es mnimo para un ujo de 200 vehculos en la
carretera, es decir x = 200. Adems, se verica que cualquiera sea la
circunstancia de ujo en la carreta, la incorporacin del tren rpido signica
un disminucin del costo total.

24