TEMA 1 TEORÍA DE DECISIONES

1.1 Introducción a la Teoría de decisiones

La toma de decisiones es una actividad inherente al comportamiento de individuos, organizaciones
y sociedades.
Se le considera una característica de los sistemas sociales propositivos, donde la extensión e
importancia de la actividad de toma de decisiones dependerá de la motivación con la cual se
busca alcanzar los objetivos o metas.
Evidentemente, un sistema compuesto por personas que no posee propósitos no tiene problemas
de toma de decisiones.
Se considera que la toma de decisiones comprende tres fases:
- Encontrar las ocasiones para la toma de decisiones
- Hallar los posibles cursos de acción
- Elegir entre esos cursos de acción
La fase principal es la última, siendo su perspectiva esencialmente normativa y metodológica.
Sin embargo, el problema de la toma de decisiones puede tener varias controversias entre ellas
las siguientes:
1) ¿Cómo elegir entre varios cursos de acción cuyos resultados están sujetos a incertidumbre?
2) ¿Cómo comparar cursos de acción con altos y bajos riesgos en sus resultados?
3) ¿Cómo pueden evaluarse los resultados dependen de factores conflictivos entre sí?
4) ¿Cómo puede evaluarse el valor de una nueva información?
Estas son unas cuantas de las preocupaciones metodológicas del análisis de decisiones.
El analista de decisiones busca principios básicos para ayudar al tomador de decisiones a elegir
entre varias opciones, probablemente complicadas.
El analista de decisiones no está necesariamente relacionado con la materia de conocimiento del
contexto de un particular problema, pero si lo está para desarrollar métodos generalizables,
idealmente para todos los problemas de decisiones.
La teoría de decisiones es un tanto abstracta, no obstante que sus motivaciones sean prácticas,
por lo que el curso es el estudio de un método y no de un contexto.
Una pregunta que debemos hacernos en este punto, es si realmente un profesional necesita una
metodología general para analizar problemas de decisión en la practica.
Académicamente, esto puede ser un campo de estudio interesante; sin embargo, nos
preguntamos: ¿porqué debemos aceptar como necesario ese conocimiento del análisis de
decisiones en un profesional?, si la toma de decisiones constituye la principal habilidad que debe
tener un director o gerente, siendo esa la esencia de su rol profesional.
La respuesta es que los profesionales deben saber tomar decisiones, ya que en la práctica serán
solicitados según su capacidad para tomar decisiones.
Un profesional se cataloga según los problemas que resuelve en su actividad diaria y por lo tanto
su remuneración personal estará en función de esos problemas que resuelve.

1
¿Porqué, entonces, no mejorar nuestra aptitud para desarrollar esa actividad tan importante para
nosotros los profesionales?

1.2 Elementos de un Problema

En un proceso de toma de decisiones intervienen varios elementos, mismos que son definidos por
cada situación en particular.
- El decisor: Es la persona responsable de tomar la decisión de seleccionar una alternativa, de
la cartera de ellas que se tengan en un problema dado.
- El analista: Es la persona que auxilia al tomador de decisiones realizando los análisis que le
permitan actuar racionalmente. En ocasiones el analista es la misma persona que toma las
decisiones.
- Alternativas: Es el conjunto de cursos de acción factibles entre las cuales el decisor debe
elegir.
- Resultados: Son las consecuencias relacionadas con la elección de cada una de las
alternativas.
- Estados de la naturaleza: Es el conjunto de situaciones probables que definen la magnitud
de los resultados de cada una de las alternativas, mismas que están fuera del control del
tomador de decisiones.
- Grado de incertidumbre: Se refiere al grado de conocimiento de la probabilidad de
ocurrencia de cada uno de los estados de la naturaleza.

1.3 Modelos del Problema

Existen dos modelos simbólicos para representar a los problemas reales de toma de decisiones, el
primero de los cuales es de tipo matricial mientras que el segundo es gráfico.

- Modelo matricial
Esta estructura describe una matriz de resultados, cuya ordenación por renglones especifica a las
alternativas y por columnas a los estados de la naturaleza.
Si designamos como Ai a las alternativas factibles y con Ej a los estados de la naturaleza, se tiene
que para cada combinación posible de éstos, habrá un resultado determinado que simbolizaremos
como Rij.

El problema general de decisiones, para m alternativas n estados naturales, lo podemos

representar matricialmente en la forma indicada en la Figura D1.1 Matriz de Resultados.

- Modelo gráfico. Árbol de decisiones

Un árbol de decisiones es la representación gráfica de un problema de decisiones.

2
La construcción de un árbol de decisiones sigue una secuencia cronológica definida; esto es, cada
evento se coloca en el orden que ocurren.
El árbol de decisiones permite un conocimiento rápido y conjunto del problema, además de que es
posible representar problemas de etapas múltiples de decisiones, en la Figura D1.2 podemos ver
esquemáticamente un árbol de decisiones.

En esta representación de árbol se distinguen los nodos, puntos de los cuales parten las distintas
ramas, mismos que pueden representar la necesidad de tomar una decisión o bien la probabilidad
de que se presente un estado de la naturaleza.
El decisor solo puede elegir en un nodo de decisión una de las ramas que de él parten, mientras
que en un nodo de estado natural cada una de sus ramas deberá especificar su probabilidad de
ocurrencia.
Usualmente se acostumbra representar a los nodos de decisión mediante un triángulo o cuadrado,
mientras que los nodos probabilistas de estado natural se simbolizan con un círculo.
En las secuencias de nodos, no tiene sentido representar dos nodos del mismo tipo en forma
continua.
Al final de cada rama se especifica el resultado correspondiente, producto de al menos una
decisión y un estado de la naturaleza.

1.4 Tipos de Problemas

Existen distintas formas de clasificar a los problemas de toma de decisiones, atendiendo a algunos
factores que inciden como es el grado de incertidumbre, las etapas de decisión y el tipo de
información que se pueda adicionar al problema, además del número de objetivos a considerar.

- Por el grado de incertidumbre

El grado de conocimiento que se tenga sobre la ocurrencia de los eventos que intervienen,
determina la principal caracterización para los problemas de decisiones.
La toma de decisiones en condiciones determinísticas tiene lugar cuando el decisor conoce el
estado de la naturaleza que ocurrirá con absoluta certeza; además, en estas condiciones, el
3
decisor conoce cuales son las alternativas factibles y los resultados correspondientes a cada una
de ellas.
En estos problemas bajo certeza, la matriz de decisiones tiene una sola columna, correspondiente
al estado natural que se presentará, por lo que a cada alternativa factible se le asigna un solo
resultado; la matriz de decisiones se convierte en un vector de resultados.
Por otro lado, cuando es posible que se presenten dos o mas estados de la naturaleza y sea
posible asignar a éstos sus probabilidades de ocurrencia, se tiene un problema de decisiones bajo
condiciones de riesgo.
En estos problemas bajo condiciones de riesgo, el decisor conoce a las alternativas factibles así
como sus resultados correspondientes; además, para cada evento puede estimar la probabilidad
de ocurrencia.
Otra clase diferente de problemas se tiene cuando el decisor no tiene la información para asignar
probabilidades de ocurrencia a los eventos de un problema, en este caso se dice que el problema
de toma de decisiones es bajo condiciones de incertidumbre.
En este tipo de problemas a cada alternativa le corresponde un conjunto de posibles resultados,
pero se desconocen las probabilidades de ocurrencia de cada uno de ellos.

- Otras clases de problemas

Existen otros criterios para clasificar a los problemas de decisiones, relacionados con situaciones
de múltiples decisiones, información muestral y múltiples objetivos, las cuales se describen
enseguida en forma breve:
Existen problemas de multietapas que implican la necesidad de que el decisor realice más de una
decisión en cadena; esto es, decisiones en que sólo la primera de ellas no está condicionada; esta
situación viene aparejada a la incorporación de nueva información de acuerdo a la lógica de
Bayes.
Otra variante de clasificación de los problemas se refiere a la necesidad de tomar en cuenta más
de un objetivo para elegir la mejor alternativa, regularmente se aplica en aquellos problemas
donde resulta insuficiente alguna medida de efectividad económica, conociéndose a estos
problemas como de multiobjetivos.

1.5 Antecedentes
El curso anterior se centró en la toma de decisiones cuando las consecuencias de las decisiones
alternativas se conocen con un grado razonable de certidumbre.
Este entorno de toma de decisiones permitió formular modelos matemáticos útiles de
programación lineal, con funciones objetivo que especifican las consecuencias estimadas de
cualquier combinación de decisiones.
Aunque estas consecuencias casi nunca pueden predecirse con seguridad completa, al menos se
pueden estimar con suficiente exactitud para justificar el uso de estos modelos (junto con el
análisis de sensibilidad por ejemplo).
Sin embargo, muchas veces las decisiones deben tomarse en entornos con mayor incertidumbre:
1. Un fabricante introduce un nuevo producto al mercado.
a. ¿Cuál será la reacción potencial de los consumidores?
b. ¿Cuánto debe producir?
4
 c. ¿Debe probar el producto en una región pequeña antes de decidir la distribución
completa?
d. ¿Cuánta publicidad necesita para lanzar el producto con éxito?
2. Una empresa financiera invierte en certificados.
a. ¿Cuáles son los mejores prospectos de certificados por sectores del mercado?
b. ¿Hacia a dónde va la economía?
c. ¿Cuáles son las tasas de interés?
d. ¿Cómo afectan estos factores las decisiones de inversión?
3. Un contratista del gobierno presenta una licitación.
a. ¿Cuáles serán los costos reales del proyecto?
b. ¿Qué otras compañías están en la licitación?
c. ¿Cuál es su presupuesto probable?
4. Una empresa agrícola selecciona la mezcla de cosechas y ganado para la próxima
temporada.
a. ¿Cuáles serán las condiciones climáticas?
b. ¿Hacia dónde van los pecios?
c. ¿Cuáles serán los costos?
5. Una compañía petrolera decide perforar en cierto lugar.
a. ¿Qué tan probable es que haya petróleo ahí?
b. ¿Cuánto?
c. ¿Qué tan profundo tendrán que perforar?
d. ¿Deben investigar más los Geólogos el sitio antes de perforar?
El análisis de decisiones está diseñado para estudiar estos tipos de decisiones con una gran
incertidumbre y proporciona tanto un marco de trabajo como una metodología para la toma de
decisiones racional cuando los resultados son inciertos.
La teoría de juegos también se usa para cierto tipo de toma de decisiones con incertidumbre.
Existen algunas similitudes en los enfoques usados por la teoría de juegos y el análisis de
decisiones; no obstante, también existen diferencias porque están diseñados para distintos tipos
de aplicaciones.

1.6 Generalidades
Cualquier ser humano toma diariamente muchas decisiones.
La mayoría de ellas son relativamente carentes de importancia y se hacen de manera habitual.
Sin embargo, en ocasiones debe tomar decisiones importantes que pueden tener efectos
inmediatos y/o a largo plazo sobre su vida.
Por ejemplo:
 A qué escuela inscribirse
5
  Continuar estudiando o comenzar a trabajar
 Qué oferta de trabajo aceptar
 Si debe comprar o rentar
Con frecuencia, estas decisiones se toman con base en emociones o intuición, pero, ¿es esto
apropiado?; la respuesta es no.
El análisis del proceso y los modelos para la toma de decisiones que serán estudiados mejoran la
simple intuición, ya que proporcionan un estándar contra el cual se pueden comparar las
decisiones que el tomador de decisiones deba tomar, mejorando los resultados obtenidos.
Es importante comprender lo que estos modelos pueden o no pueden hacer:
1. Los modelos proporcionan una estructura para examinar el proceso de toma de decisiones.
En algunas situaciones no hay necesidad de justificar por qué se tomó una decisión.
Sin embargo, en un mundo donde la mayoría de los administradores no son propietarios de
los negocios que administran, se vuelve necesario emplear un proceso justificable para la
toma de decisiones.
2. Los modelos pueden utilizarse para evitar tomar decisiones arbitrarias o inconsistentes que
no se basen en todos los datos disponibles.
Por desgracia, muchas veces se toman decisiones que caen en esta categoría sin darse
cuenta que se está haciendo.
Estos modelos no dicen qué decisiones tomar; más bien, indican cómo proceder para
tomarlas o cómo analizar decisiones pasadas.
3. Aun utilizando estos modelos en todas las decisiones, no se podría asegurar que el
resultado fuera siempre favorable.
En otras palabras, las buenas decisiones no garantizan buenos resultados.
Ejemplo
Considérense a dos estudiantes universitarios que comparten una misma habitación y se
enfrentan a la misma decisión en una feria regional.
Se realiza un juego de azar que paga $100 por una apuesta de $10 y las probabilidades de
perder son de 10 a 1.
 El primer estudiante paga sus $10 y gana el premio de $100
 El segundo estudiante paga sus $10 y pierde
Ambos tomaron la misma decisión, que la mayoría de las personas consideraría buena, y aun
así obtuvieron resultados distintos.
Por ello, tomar una buena decisión no siempre da como resultado algo favorable.

Ejemplo
Considérese el caso del precio del oro a granel.
En 1978 el oro se vendía en menos de $200 la onza.
Muchas personas consideraban que nunca superaría el nivel de $200.

6
 Suponga que usted había comprado 100 onzas de oro cuando costaba $100 la onza.
A principios de 1979 el precio subió a más de $200 por onza.
Después de analizar el mercado del oro, usted toma la decisión de vender y alcanzar una
buena utilidad de:
Condiciones de compra: 100 oz * $100/oz = $10,000
Condiciones de venta: 100 oz * $200/oz = $20,000 (en 1979)
Utilidad: $10,000
Sin embargo, hacia fines de 1980, el precio del oro era de más de $600 la onza.
¿Hace que su decisión se convierta en mala el hecho de que usted vendió a $200 la onza y
“perdió” la oportunidad de lograr
Condiciones de compra: 100 oz * $100/oz = $10,000
Condiciones de venta: 100 oz * $600/oz = $60,000 (en 1980)
Utilidad: $50,000
$40,000 adicionales?
Puede afirmarse que no es así; su decisión fue buena en su momento, pero el resultado fue
desfavorable.
Aunque los buenos procedimientos de toma de decisiones pueden producir malos resultados, lo
que de hecho sucede, esperaríamos que el uso de decisiones mejores que el promedio se
reflejara en resultados mejores que el promedio.
Un administrador exitoso será el que tome buenas decisiones en forma consistente.

1.7 Naturaleza de los datos en la Investigación de Operaciones (IO)

Desde el punto de vista del desarrollo de modelos de IO, los datos de entrada pueden quedar
dentro de una de dos amplias categorías:
Determinística: en la que se supone que los datos se conocen con certeza.
Probabilística: en la cual los datos presentan variaciones aleatorias.
Los modelos de IO que tratan con datos determinísticos generalmente son mucho más simples
que aquellos que contienen datos probabilísticos.
Desgraciadamente, en la realidad, la mayoría de las situaciones presentan variaciones aleatorias;
sin embargo, si el grado de aleatoriedad no es severo, será posible usar aproximaciones
determinísticas de una manera adecuada.
¿Cómo deciden los analistas de IO sobre la naturaleza de tales datos en situaciones reales?, la
respuesta es: por medio del análisis de datos primarios del sistema en estudio.
Para transformar los datos primarios en formas adecuadas para el estudio analítico de los
modelos de IO se utilizan técnicas estadísticas.
Estas técnicas tratan con estimaciones de distribuciones de probabilidad y con métodos de
pronóstico.
Toma de decisiones en condiciones de certeza: como las decisiones tomadas durante el
curso anterior, donde todos los modelos de decisión (programación lineal, problema del

7
 transporte, problema de asignación, redes y control de proyectos) se formularon y
resolvieron suponiendo la disponibilidad de información perfecta.
Ejemplo (condiciones de certeza): en un problema de mezcla de productos, se supone:
 El beneficio por unidad de un j-ésimo producto es Cj el cual es un valor fijo.
 Si Xj es una variable de decisión que representa las unidades fabricadas del
producto j, la contribución al beneficio total del producto j-ésimo es CjXj, el cual de
nuevo es un valor fijo para un valor dado de Xj.
La disponibilidad de información imperfecta o parcial de un problema, lleva a dos nuevas
categorías de casos en toma de decisiones:
Toma de decisiones en condiciones de riesgo: el grado de ignorancia se expresa como una
función densidad de probabilidad que representa los datos.
Ejemplo (condiciones de riesgo): en un problema de mezcla de productos, se supone:
 El beneficio Cj ya no será un valor fijo.
 Será una variable aleatoria cuyo valor numérico exacto es desconocido, pero puede
representarse en cuanto a una función densidad de probabilidad asociada.
 En este caso, Cj es una variable aleatoria cuya función densidad puede darse como
f(Cj).
 Por consiguiente, no tiene sentido hablar de Cj sin asociarle algún enunciado de
probabilidad.
 En consecuencia, la contribución al beneficio de la j-ésima variable CjXj es también
una variable aleatoria cuyo valor exacto, para un valor dado de Xj, se desconoce.
Toma de decisiones en condiciones de incertidumbre: no puede disponerse de ninguna
función de probabilidad.
Ejemplo (condiciones de incertidumbre): en un problema de mezcla de productos, se
supone:
 La función densidad de probabilidad f(Cj) no se conoce o no puede determinarse.
 La incertidumbre no implica ignorancia completa sobre el problema.
 El decisor puede tener la información parcial de que Cj sea igual a uno de tres
' '' '''
valores C j , C j y C j .
 SI no puede asociarse probabilidades a estos tres valores, entonces la situación se
considera como una decisión con incertidumbre.
 En consecuencia, la contribución al beneficio de la j-ésima variable CjXj es también
una variable aleatoria cuyo valor exacto, para un valor dado de Xj, se desconoce.
En otras palabras, desde el punto de vista de la disponibilidad de datos, la certeza y la
incertidumbre representan los dos casos extremos, mientras que el riesgo es la situación
“intermedia”.
El grado de ignorancia con respecto a los datos influye directamente en cómo se modela y
resuelve un problema.

8
 Ejemplo: Suponga el problema de la mezcla de productos citado anteriormente que tiene
un total de n productos.
En condiciones de certeza tiene sentido usar: Z = C1X1 + C2X2 + ... + CnXn como un
criterio objetivo que se maximizará sujeto a las restricciones adecuadas.
Sin embargo, con la hipótesis de riesgo, el mismo criterio sería de poco valor sin algún
tipo de enunciado probabilístico ya que Z realmente es una variable aleatoria.
El criterio dado será incompatible según la hipótesis de incertidumbre, ya que los
valores específicos de Cj no se conocen.
Este ejemplo indica que los datos insuficientes llevan a un modelo de decisión más
complicado e, inevitablemente, a una solución menos satisfactoria.
Los datos insuficientes han originado diferentes enfoques, a menudo inconsistentes, para
cuantificar un modelo de decisión.
Existe aceptación universal en el criterio de maximizar el beneficio (o minimizar su antítesis, el
costo) bajo condiciones de certeza; sin embargo, existen varios criterios en situaciones de riesgo e
incertidumbre.
Ejemplo: existen varios criterios en condiciones de riesgo:
 En ocasiones es aceptable la maximización del beneficio esperado
 Otro criterio varía desde lo completamente conservador hasta lo completamente
permisivo.
 La situación será peor cuando hay incertidumbre.
Ejemplo: existen varios criterios en condiciones de incertidumbre:
 Se presentan situaciones competitivas en las cuales dos (o más) oponentes están
trabajando en conflicto.
 Cada oponerte trata de ganará a expensas del otro.
 El decisor está trabajado en contra de un oponente inteligente
Ninguno de los modelos vistos en el curso anterior supone que las decisiones se hallan en un
medio ambiente donde el sistema en sí mismo esté tratando de “derrotar” al decisor.
Ejemplo: supóngase que se está tomando una decisión que depende de si llueve o no
llueve; en este caso, el decisor no espera que la naturaleza sea un oponente malévolo.

1.8 El proceso de la toma de decisiones

Decisión: proceso de elegir la solución para un problema, siempre y cuando existan al menos
dos soluciones alternativas
Es evidente que deben llevarse a cabo varias acciones antes de tomar una decisión:
Etapa 1. El decisior se da cuenta que existe un problema
Etapa 2. El decisior recopila datos acerca del problema
Etapa 3. El decisior elabora un modelo que describe el problema
Etapa 4. El decisor utiliza el modelo para generar soluciones alternativas para el problema

9
 Etapa 5. El decisior elige entre las soluciones alternativas, la mejor u óptima.

Etapa 1: no será analizada a detalle porque se refiere a la forma en que una persona podría
identificar y percibir un problema, y esto está fuera del alcance de este curso.
Los principios fueron presentados en el Tema 1 del curso anterior (Teoría General de
Sistemas), cuando se habló de las metodologías para problemas estructurados y no
estructurados.
Etapa 2: Una vez que el decisior se ha dado cuenta de que existe un problema, el siguiente paso
es recopilar más información acerca de éste.
La información recopilada puede ser tanto cuantitativa como cualitativa y sirve para ayudar al
decisior a pasa a la siguiente etapa.
Etapa 3: se elabora un modelo que describe el problema, entendiendo por modelo una versión
simplificada de la realidad que conserva las características importantes del problema.
La elaboración de modelos ayuda al decisior a comprender las partes clave de problemas
complejos que, de otra manera, estaría fuera de la comprensión humana.

Etapa 4: utilizando el modelo, que también puede ser cualitativo o cuantitativo, el decisior genera
soluciones alternativas para el problema.
Esto puede hacerse a través de “lluvia de ideas”, técnicas matemáticas u otros métodos.
Desde el punto de vista conductual, tener demasiadas soluciones alternativas puede ser peor
que tener pocas, puesto que la enorme magnitud del proceso de selección que se produce en
la etapa 5 puede abrumar al decisior.
Etapa 5: es en esta etapa en la que los modelos cuantitativos pueden diferir en mayor medida de
los cualitativos.
Los modelos cuantitativos pueden explorar todas las soluciones alternativas posibles con la
intención de encontrar la mejor u óptima.
Los modelos cualitativos pueden tratar de encontrar cualquier solución satisfactoria
Este último enfoque se conoce como “satisficing”; nombre que es una combinación de dos
palabras inglesas que significan satisfacer y suficiente, y que en castellano podría ser
“satisfaciente”, toma en consideración los aspectos conductuales de la toma de decisiones y, con
frecuencia, se utiliza en los casos en los que puede no haber recursos disponibles o en los que los
costos de encontrar la solución óptima resulten prohibitivos.

1.9 Introducción a la Probabilidad (Repaso)

Si todas las decisiones que se presentan en el campo de los negocios pudieran tomarse bajo
condiciones de certidumbre, la única justificación válida para una mala decisión sería el fallar al
considerar algunos hechos importantes; con certeza, puede pronosticarse perfectamente el futuro.
Desgraciadamente, los ejecutivos de negocios rara vez o nunca trabajan bajo certeza.
Generalmente, los ejecutivos se ven forzados a tomar decisiones cuando hay incertidumbre de lo
que pasará después de que se tomen dichas decisiones.
En estas situaciones, la teoría matemática de probabilidad suministra una herramienta que resulta
de gran ayuda para el decisior.

10
 La Probabilidad: es una medida numérica de la posibilidad de que ocurrirá un evento.
Por lo tanto, las probabilidades podría usarse como medida de la falta de certidumbre en
preguntas como:
1. ¿Cuál es la probabilidad de que las ventas disminuirán si aumentamos los precios?
2. ¿Qué tan factible es que un nuevo método d ensamblado aumente la productividad?
3. ¿Qué tan probable es que el proyecto se termine a tiempo?
4. ¿Cuáles son las posibilidades a favor de que una inversión nueva sea rentable?
Si las probabilidades estuvieran disponibles, podríamos determinar la posibilidad de que ocurra
cada evento.
Los valores de probabilidad siempre se asignan en una escala de 0 a 1.
Una probabilidad cercana a
 0 indica que es poco probable que ocurra un evento.
 1 indica que es casi seguro que ocurra un evento.
 Otras probabilidades entre 0 y 1 representan grados variables de probabilidad de que un
evento ocurrirá.
Experimentos y espacio muestral
Desde el punto de vista de la probabilidad, se define:
Experimento: cualquier proceso que puede generar uno de un conjunto de resultados bien
definidos.
En cualquier ejecución única de un experimento ocurrirá uno y sólo uno de los posibles
resultados experimentales.
Ejemplo:
Experimento Resultados experimentales
Lanzar una moneda Águila, sol
Seleccionar una parte para inspección Defectuosa, no defectuosa
Realizar una llamada de ventas El cliente compra o no compra
Lanzar un dado 1, 2, 3, 4, 5, 6
Jugar una partido de fútbol Ganar, perder, empatar
El primer paso para analizar un experimento es definir los resultados experimentales
posibles; cuando se han definido todos estos resultados, se identifica el:
Espacio muestral: Conjunto de todos los resultados posibles de un experimento.
Punto muestral: nombre que se da a cada resultado experimental en particular; es un
elemento del espacio muestral.
Probabilidades Objetivas y Subjetivas
Ejemplo de probabilidad objetiva:
Todos nosotros estamos familiarizados con las leyes de los llamados “volados”.

11
SI alguien pregunta acerca de la probabilidad de obtener un “águila” o un “sol” en un volado, la
respuesta será de la “mitad”; o sea, del 0.5.
Tal respuesta resulta de la experiencia que todo el mundo tiene con los “ volados”; asumiendo,
desde luego, que se lanza una moneda “legal”.
Hay dos interpretaciones de la probabilidad objetiva:
 Simetría de los resultados: implica que los resultados que son idénticos en aspectos
esenciales, deben tener la misma probabilidad.
Una moneda legal se define como aquella que está perfectamente balanceada y que tiene
dos lados que son iguales (excepto por la imagen).
Entonces, cada lado deberá tener la misma probabilidad de “un medio” (ignorando la
posibilidad de que la moneda caiga de “canto”).
Ejemplo: Supóngase que se tiene una caja que contiene 10 bolas de billar, 3 de color rojo y
7 de color negro, y que todas son del mismo tamaño, de la misma textura y, en pocas
palabras, son idénticas excepto por el color; además, las bolas se mezclan minuciosamente
dentro de la caja.
La interpretación de la simetría de los resultados asignaría 0.10 de probabilidad a cada
bola, y en consecuencia un 0.30 de oportunidad de que se saque una bola roja de la caja.
 Frecuencia relativa: depende de la experiencia histórica en situaciones idénticas.
Entonces, si una moneda se ha lanzado 10,000 veces con 4,998 resultados “águila”, puede
concluirse que la probabilidad será de 0.50 (4,998/10,000 redondeado) para obtener un
“águila” la próxima vez que se lance la moneda.
En probabilidades objetivas, la información histórica definitiva, experiencias comunes (evidencia
objetiva) o el análisis riguroso se utilizan para asignar probabilidades.
Probabilidad subjetiva:
Es muy útil en la toma de decisiones en los negocios.
En probabilidades subjetivas, la información histórica cuantitativa puede no estar disponible y en
lugar de evidencia objetiva, la experiencia personal viene a ser la base para signar probabilidades.
Para los propósitos de la toma de decisiones ejecutiva, frecuentemente se requiere una
interpretación subjetiva, puesto que la evidencia objetiva confiable puede no estar disponible.
A diferencia de un “volado”, supóngase a un ejecutivo tratando de decidir si construye o no una
nueva fábrica, y que el éxito de la fábrica depende grandemente en que haya o no una recesión
en los próximos cinco años.
La probabilidad asignada a la ocurrencia de la recesión sería subjetiva, porque no están
directamente disponibles una larga historia y experiencias comunes que puedan proyectar el
futuro con confianza, como en los ejemplos de las monedas y las bolas de billar.
Sin embargo, sería apropiado y realmente necesario considerar el evento “ocurrencia de una
recesión”, y después de reunir evidencia y utilizar el juicio de negocios, el ejecutivo podría asignar
una probabilidad a ese evento para usarla con propósitos de toma de decisiones.
Principios básicos de probabilidad
Dos declaraciones fundamentales acerca de las probabilidades son:
1. Las probabilidades de todos los posibles resultados de un proceso deben sumar UNO.
12
 2. Las probabilidades son siempre mayores que o igual a CERO (no existen probabilidades
negativas) y son menores que o iguales a UNO
La primera declaración indica que si A y B son los únicos candidatos para un puesto, la
probabilidad de que A gane más la probabilidad de que B gane debe sumar UNO (suponiendo que
no es posible un empate).
La segunda declaración tiene las siguientes interpretaciones:
 Si un evento tiene una probabilidad positiva, probablemente ocurrirá
 Si el evento es imposible, entonces su probabilidad es cero
 Si es seguro que el evento ocurrirá, entonces su probabilidad es uno
En cuanto a interpretar las probabilidades como objetivas o subjetivas, es más útil pensar en una
escala de peso que recorra de 0 a 1.
Si se lanza una moneda de características desconocidas 500 veces para obtener un estimado de
la probabilidad objetiva y el resultado es de 225 “águilas” y 275 “soles”, el rango para los posibles
resultados se puede convertir a una escala de cero – uno dividiendo por 500, lo que resulta en:
225/500 = 0.45 águilas y 275/500 = 0.55 soles.
El 0.45 y el 0.55 pueden utilizarse como estimadores de las probabilidades verdaderas de las
águilas y los soles (la verdadera probabilidad se desconoce, porque no se conocen las
características de la moneda que se lanza.
Eventos mutuamente excluyentes
Dos o más eventos son mutuamente excluyentes si solamente uno de los dos puede ocurrir en un
solo proceso.
Ejemplo: sean las probabilidades mostradas a continuación:
Evento: elegir Probabilidad
Candidato del PAN A 0.18
Candidato del PAN B 0.42
Candidato del PRD
0.26
C
Candidato del PRD
0.14
D
1.00
Estas probabilidades reflejan una estimación subjetiva de un periódico relacionadas con las
oportunidades relativas de cuatro candidatos a ocupar un puesto público, suponiendo que un
empate no es posible.
Estos eventos son mutuamente excluyentes, porque en una elección (o en un proceso) solamente
puede ocurrir un evento; en consecuencia, las probabilidades son aditivas:
 La probabilidad de que gane el PAN es de (0.18 + 0.42) = 0.60
 La probabilidad de que gane el PRD es de (0.26 + 0.14) = 0.40
 La probabilidad de que gane cualquiera de B o C es de (0.42 + 0.26) = 0.68
La probabilidad de que ganen B y C es 0.00, puesto que solamente uno de los eventos
mutuamente excluyentes puede ocurrir en un evento.

13
Eventos independientes
Si dos eventos son estadísticamente independientes, la ocurrencia de uno de ellos no afectará la
probabilidad de ocurrencia del segundo.
Cuando dos (o más) eventos son independientes, la probabilidad de que ambos eventos (o todos)
ocurran, es igual al producto de las probabilidades de los eventos individuales; es decir:
P(A y B) = P(A) * P(B); si A, B son independientes
Donde:
P(A y B) = Probabilidad de que ocurran al mismo tiempo los eventos A y B
P(A) = Probabilidad de ocurrencia del evento A
P(B) = Probabilidad de ocurrencia del evento B
Ejemplo: si A es la probabilidad de águila en un primer volado y B la probabilidad de una águila
en un segundo volado, entonces:
P(A) = ½
P(B) = ½
P(A y B) = ½*½=¼
Probabilidad conjunta P(A y B) o P(AB): La probabilidad de que ocurra A y después B
(dos águilas) es de ¼.:
Para definir la independencia matemática, se utiliza el símbolo: P(B|A), el cual se lee como la
probabilidad de que ocurra el evento B, dado que ha ocurrido el evento A.
Probabilidad condicional P(B|A): del evento B, dado que el evento A ha ocurrido.
Nótese que este símbolo no significa división, la línea vertical significa “dado que el evento A ha
ocurrido”.
Tratándose de eventos independientes: P(B|A) = P(B) si A, B son eventos independientes
Esto es, la probabilidad del evento B, dado que le evento A ha ocurrido, es igual a la probabilidad
del evento B si los dos eventos son independientes.
Con dos eventos independientes, la ocurrencia de uno de ellos no afecta la probabilidad de
ocurrencia del otro evento.
Para demostrarlo, recuérdese la importante relación de probabilidad conocida como el Teorema
de Bayes:
P ( AB )
P ( B | A) = si P(A)≠ 0 (a)
P ( A)
La probabilidad condicional de que ocurra el evento B, dado que el evento A ha ocurrido, es igual
a la probabilidad conjunta de A y B, dividida entre la probabilidad del evento A.
Multiplicando ambos lados de la ecuación (a) por P(A):
P(AB) = P(B|A) * P(A) (b)
Esto es, la probabilidad conjunta de A y B es igual a la probabilidad condicional de B, dado que el
evento A ha ocurrido, por la probabilidad de A.
Tratándose de eventos independientes, recuérdese que:

14
 P(AB) = P(A) * P(B)
Sustituyendo P(A) *P(B) por P(AB) en la ecuación (a) del Teorema de Bayes:
P ( A ) * P( B )
P ( B | A) = = P ( B)
P ( A)
De la misma manera:
P(A|B) = P(A) si A, B son eventos independientes

Eventos dependientes
Dos eventos son dependientes, si la ocurrencia de uno de ellos afecta la probabilidad de
ocurrencia del segundo evento.
Ejemplo: se lanza un volado y se determina si el resultado fue águila o sol.
Si el resultado fue águila, láncese de nuevo la misma moneda; si el resultado fue sol,
láncese una moneda ilegal que tenga ¾ de probabilidad de caer en águila y ¼ de
probabilidad de caer en sol.
¿Se ve afectada de alguna manera la probabilidad de obtener un águila en el segundo
volado por el resultado del primer volado?
La respuesta es SÏ, porque el resultado del primer volado afecta en el tipo de moneda (legal
o ilegal) que se usará para el segundo volado.
Otro ejemplo de eventos dependientes tiene que ver con que sean eventos mutuamente
excluyentes.
Si los eventos A y B son mutuamente excluyentes, entonces son dependientes; dado que el
evento A ha ocurrido, la probabilidad condicional de que B ocurra debe ser cero, puesto que los
dos eventos son mutuamente excluyentes.
P(B|A) = 0 si los eventos A y B son mutuamente excluyentes

Probabilidad incondicional (marginal): Una probabilidad marginal se refiere a que la

probabilidad de ocurrencia de un evento, no condiciona la ocurrencia de otro evento.
P(A) y P(B) son ejemplos de probabilidades incondicionales o marginales.
Ejemplo: Asúmase que se tienen 3 cajas, las cuales contienen bolas de billar rojas y negras así:
 Caja 1: 3 rojas y 7 negras
CAJA 1
 Caja 2: 6 rojas y 4 negras 3 ROJAS
7 NEGRAS
 Caja 3: 8 rojas y 2 negras

Si es ROJA Se elige una bola Si es NEGRA

CAJA 2 CAJA 3
6 ROJAS 8 ROJAS
4 NEGRAS 2 NEGRAS

15
Supóngase que se elige una bola de la caja 1; si es roja, se elige una bola de la caja 2, pero si es
negra, se elige una bola de la caja 3, como se muestra en el diagrama superior.
Considérense las siguientes preguntas respecto a este juego:
1. ¿Cuál es la probabilidad de escoger una bola roja de la caja 1?
Esta probabilidad es una probabilidad incondicional o marginal y su valor es 3/10 = 0.30 (la
probabilidad marginal de elegir una bola negra es de 0.70; es decir, 7/10)
P(R) = 0.3 ; P(N) = 0.7
2. Supóngase que se elige una bola de la caja 1 y es roja; ¿cuál es la probabilidad de obtener otra
bola roja cuando se tenga que elegir de la caja 2?
La respuesta es 0.60 y este es un ejemplo de probabilidad condicional; esto es, la probabilidad
de elegir una bola roja de la segunda caja, si la bola elegida de la primera caja fue roja.
P(R2|R1) = P(R2) porque R1, R2 son eventos independientes
3. Supóngase que la primera elección de la caja 1 resulta en una bola negra; ¿cuál es la
probabilidad condicional de que la segunda elección (de la caja 3 ahora) sea roja?
La probabilidad es de 0.80; la elección de la caja 1 (el evento condicionante) es muy
importante para determinar las probabilidades de obtener una bola roja (o negra) en la
segunda elección.
P(R3|N1) = P(R3) porque N1, R3 son eventos independientes
4. Supóngase, antes de elegir cualquier bola, que se plantea la siguiente pregunta: ¿cuál es la
probabilidad de obtener dos bolas rojas?
Esta sería una probabilidad conjunta, el evento sería una bola roja en las dos elecciones; ahora
los cálculos se complican un poco más y se requerirá un análisis.
Utilizando la siguiente ecuación, los resultados se muestran en la tabla y figura siguientes:
P(AB) = P(B|A) * P(A)
Marginal * Condicional = Conjunta
Evento
P(A) * P(B|A) = P(AB)
Dos bolas rojas RR P(R) = 0.30 P(R|R) = 0.60 P(RR) = 0.18
Bola roja en la 1ª elección y bola negra en la 2ª RB P(R) = 0.30 P(B|R) = 0.40 P(RB) = 0.12
Bola negra en la 1ª elección y bola roja en la 2ª BR P(B) = 0.70 P(R|B) = 0.80 P(BR) = 0.56
Dos bolas negras BB P(B) = 0.70 P(B|B) = 0.20 P(BB) = 0.14
Suma = 1.00
Probabilidades
Rojo Conjuntas
Evento
P(R|R) = 0.60
2a RR P(RR) = 0.18
elección
Rojo
de la caja
P(R) = 0.30
2
Negro
1a P(B|R) = 0.40 RB P(RB) = 0.12
elección
de la caja
1 Rojo
P(R|B) = 0.80 BR P(BR) = 0.56
Negro 2a
P(N) = 0.70 elección
de la caja
3
Negro
P(B|B) = 0.20
BB P(BB) = 0.14

16
La figura anterior se llama diagrama de árbol y será muy útil para ilustrar situaciones de
incertidumbre.
La siguiente tabla resume los resultados del diagrama de árbol mostrándolos en forma de matriz
de resultados, donde las intersecciones de los renglones y las columnas son las probabilidades
conjuntas.
La columna de la derecha proporciona las probabilidades incondicionales (marginales) de los
resultados de la primera elección.
El renglón inferior proporciona las probabilidades incondicionales o marginales de los resultados
de la segunda elección.
2ª elección Probabilidad marginal del
R B
1ª elección resultado de la 1ª elección
P(RR) P(RB)
R 0.30
0.18 0.12
P(BR) P(BB)
B 0.70
0.56 0.14
Probabilidad marginal del
resultado de la 2ª 0.74 0.26 1.00
elección
Ahora, calcúlense algunas probabilidades adicionales:
1. Probabilidad de una bola roja y una bola negra sin importar el orden:
= 0.56 + 0.12 = 0.68
2. Probabilidad de una bola negra en la 2ª elección:
= 0.12 + 0.14 = 0.26
3. Probabilidad de que la 2ª elección sea roja si la 1ª elección es roja:
Si la 1ª elección es roja, se está en el primer renglón de la tabla con un total de 0.30.
La pregunta es, ¿qué proporción es 0.18 de 0.30?
La respuesta es 0.60, o en términos apropiados:
P( R1 R 2 ) 0.18
P ( R 2 | R1 ) = = = 0.60
P( R1 ) 0.30
La dependencia de eventos puede entonces expresarse como:
Probabilidad conjunta de
Probabilidad condicional de una bola roja RR(0.18)
en la 2ª elección, dado que se eligió = ------------------------------------- = 0.60
bola roja en la 1ª elección Probabilidad marginal de
bola roja en la 1ª elección
(0.30)
O la expresión general:
P( AB )
P( B | A ) =
P( A )

17
Ejemplo: supóngase que una moneda legal es lanzada dos veces y se buscan las siguientes
probabilidades
1. Probabilidad de dos águilas
2. Probabilidad de un águila y un sol en dos volados
3. Probabilidad de que el segundo volado sea águila
4. Probabilidad de que el segundo volado sea águila, dado que el primero fue sol.
La tabla siguiente muestra todos los posibles resultados de dos volados y sus probabilidades.
Evento Probabilidad Fórmula
AA P(AA) = ½ * ½ = ¼ P(A) * P(A)
AS P(AS) = ½ * ½ = ¼ P(A) * P(S)
SA P(SA) = ½ * ½ = ¼ P(S) * P(A)
SS P(SS) = ½ * ½ = ¼ P(S) * P(S)
Ahora, utilizando la tabla, pueden determinarse las probabilidades solicitadas:
1. P(AA) = ¼
2. P(AS + SA) = ½
3. P(AA + SA) = ½
1
P( SA ) 4 1
4. P( A | S ) = = = 2
P( S ) 1
2
Un aspecto importante de este ejemplo es la ilustración de la independencia.
Nótese que las últimas dos probabilidades calculadas son iguales; la probabilidad de un águila en
el segundo volado es de ½; sin importar el resultado del primer volado.
Se dice que los dos eventos son independientes, puesto que la probabilidad de obtener águila en
el segundo volado no es afectada por el resultado del primer volado.
Este no fue el caso del ejemplo anterior, donde la probabilidad de obtener bola roja en la 2ª
elección estaba afectado por el resultado de la primera elección.
La independencia de eventos puede entonces expresarse como:
Probabilidad conjunta de 0.50
Probabilidad condicional de obtener SA(1/4) probabilidad marginal
águila en el 2º volado, dado que cayó = ------------------------------------- = de que el volado sea
sol en el primer volado Probabilidad marginal de águila
sol en el primer volado
(1/2)
O la expresión general:
P( B | A ) = P( B ) si B es independiente de A

18