HERRAMIENTA PARA LA TOMA

DE DECISIONES

Mg. Gastn Roger Huiman Len

 ANALISIS DE DECISIONES
El proceso de decisin es como sigue:
1. Usted, quien toma la decisin, selecciona una de las decisiones alternativas d1,dn; suponga
que elige d1.
2. Una vez tomada la decisin, ocurre un estado de la naturaleza que queda fuera de su control.
Supngase que ocurra el estado 2.
3. El rendimiento que usted reciba puede ser determinado ahora a partir de la tabla de
retribuciones. Dado que usted tomo la decisin d1 y ocurri el estado de la naturaleza 2, el
resultado es r12.

La decisin se toma primero, y a continuacin ocurre uno de los estados de la naturaleza. Una vez
tomada la decisin, no puede cambiarse despus de ocurrido el estado de la naturaleza.
La pregunta es Cul de las decisiones debemos tomar?
Hay tres clases de modelo de decisin:
1.Decisiones bajo certidumbre.
2.Decision bajo incertidumbre.
2.Decision bajo riesgo
 DECISION BAJO RIESGO

Este capitulo se dividir en tres partes fundamentales que son:

la primera: denominada toma de decisiones sin experimentacin.

la segunda: toma de decisiones con experimentacin o teora bayesiana de decisin
la tercera: rboles de decisin.

Decisiones sin experimentacin

Basada exclusivamente en la determinacin, ya sea por datos histricos o por

experiencia del decisor, de la probabilidad de ocurrencia de cada uno de los
estados de la naturaleza. Esta distribucin se denomina probabilidad a priori, y
generalmente est determinada por la experiencia del decisor
 DECISION BAJO RIESGO
EJEMPLO 01 Analizando la empresa Mangos Hadden: El analista de la empresa basada
en datos histricos y su experiencia a establecido que la demanda de su producto en el
mercado local puede ser alta con un a probabilidad de 20%, media con una probabilidad
del 50% y baja con un 30%. El analista se encuentra en la decisin de que medio
publicitario utilizar, entre las cuales se entra la radio, diarios y televisin.
Para esto el analista a establecido un cuadro de utilidades sobre la demanda y los
diferentes medios de publicidad el cual es el siguiente:

MATRIZ DE RENDIMIENTO
ACCIONES O
ALTERNATIVAS DE DEMADA ALTA DEMANDA MEDIA DEMANDA BAJA
DECISION
PUBLICITAR EN RADIO S/. 700 S/. 400 -S/. 200

PUBLICITAR EN DIARIO S/. 500 S/. 300 S/. 100

PUBLICITAR EN TV. S/. 1,200 S/. 600 -S/. 400

Por cual medio publicitario el analista deber decidir y cuanto ser su utilidad
esperada?
 DECISION BAJO RIESGO

RENDIMIENTOS, MAXIMAS GANANCIAS Y PROBABILIDADES A PRIORI

ACCIONES O
ESTADOS DE LA NATURALEZA VALOR MAXIMO
ALTERNATIVAS DE ESPERADO
DECISION DEMADA ALTA DEMANDA MEDIA DEMANDA BAJA

PUBLICITAR EN RADIO S/. 700 S/. 400 -S/. 200 S/. 280.0

PUBLICITAR EN DIARIO S/. 500 S/. 300 S/. 100 S/. 280.0
PUBLICITAR EN TV. S/. 1,200 S/. 600 -S/. 400 S/. 420.0
PROBABILIDAD A PRIORI
0.20 0.50 0.30
(Pj)

RENDIMIENTO MAXIMO ESPERADO: S/. 420.0

 DECISION BAJO RIESGO
EJEMPLO 02 - Repartidor de Peridicos: Un repartidor de peridicos puede comprar el
diario la Industria 0.40 cntimos de sol cada uno y venderlo a 0.75 sol. Sin embargo, debe
adquirir los peridicos antes de saber cuantos puede vender realmente. Si compra mas
peridicos de los que puede vender, simplemente desechara el excedente, sin costo
adicional. Si no compra suficientes peridicos, pierde ventas potenciales ahora y
posiblemente en el futuro (los clientes disgustados podran ya no comprarle). Suponga,
por el momento, que esta perdida de ventas futuras es representada por un costo de
perdida de la buena reputacin comercial (PBRC) o del buen nombre estimada en 0.50
cntimos por cliente insatisfecho. Suponiendo que la distribucin de la demanda que
enfrenta es:
Po = Prob (demanda = 0) = 0.1
P1 = Prob (demanda = 1) = 0.3
P2 = Prob (demanda = 2) = 0.4
P3 = Prob (demanda = 3) = 0.2

En este modelo, cada uno de los cuatro diferentes valores de la demanda es un estado de
la naturaleza diferente, y el numero de peridicos ordenados es la decisin.
 DECISION BAJO RIESGO

Los rendimientos o retribuciones para este modelo se puede observar en la siguiente tabla:

ESTADO DE LA NATURALEZA
RENDIMIENTO
DECISIN 0 1 2 3
ESPERADO
0
1
2
3

PROBABILIDADES 0.1 0.3 0.4 0.2

Las entradas de esta tabla representan el flujo de efectivo neto asociado con cada
combinacin de cantidad ordenada y cantidad solicitada, menos el costo por la perdida
de la buena reputacin comercial (PBRC), cuando la cantidad ordenada no es suficiente
para satisfacer la demanda, estas entradas se calculan mediante la siguiente expresin:

Retribucin = 75 (numero de peridicos vendidos) 40(numero de peridicos ordenados)

50(demanda no satisfecha)
 DECISION BAJO RIESGO

ESTADO DE LA NATURALEZA (DEMANDA)

DECISIN O ALTERNATIVAS RENDIMIENTO
0 1 2 3
ESPERADO
Ordenar 0 0 -50 -100 -150 -85 =

Ordenar 1 -40 35 -15 -65 -13
Ordenar 2 -80 -5 70 20 23
Ordenar 3 -120 -45 30 105 8

PROBABILIDADES 0.1 0.3 0.4 0.2

Retribucin = 75 (numero de peridicos vendidos) 40(numero de peridicos ordenados)

50(demanda no satisfecha)

Anlisis:
1. Ordenar 2 tiene una alta probabilidad (40%) de generar la segunda retribucin mas alta de
todas 70 centavos.
2. Mientras que ordenar 3 tiene la mas alta retribucin 105 centavos, pero su probabilidad que
se de es de 20%
 DECISION BAJO RIESGO

Costo PBRC (centavos de dolar)

50

0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 125 130 135 140 145 150
RENDIMIENTO DEL PBCR

-50

-100

-150

-200

-250

-300
ORDENAR 0 ORDENAR 1 ORDENAR 2 ORDENAR 3

Costo del PBRC

Se observa que a medida que aumenta el costo del PBRC los rendimiento esperados se reducen (cuando piden
0,1 o 2 peridicos) o permanecen constantes cuando se piden 3 peridicos .Para los costos PBRC inferiores a
125 centavos, la decisin optima es pedir 2 peridicos; para un costo de 125 resulta pedir 2 o 3 peridicos y
cuando es mayor a 125 es pedir 3 peridicos. No se hace necesario conocer con exactitud el costo PBRC solo
cuan mayor o menor sea de 125 centavos.
 TEOREMA DE BAYES

Supongamos que B1, B2, B3 ..Bk son eventos que forman parte de un espacio muestral
S, con probabilidad P(B)> 0 para i = 1,2,3.k, entonces para cualquier evento simultaneo
A que ocurra en S tal que P(A) > 0

P ( A /B1)
B1 ()
() =

=1 ()
P ( A /B2)
B2
( )
Bk P ( A /Bk) ()

CAUSA EFECTO

Cul es la probabilidad dado que se observo un efecto

A, la causa haya sido Br?
P ( Br/A)= ?
 EJEMPLO 03 TEOREMA DE BAYES

Hay dos mtodos, A y B ; para ensear cierta destreza industrial. El porcentaje de fracaso del
mtodo A es de 20% y el de B 10%; sin embargo, como el mtodo B es mas caro se aplica solo
30% del tiempo ( el otro 70% se emplea A).
Una trabajadora recibi capacitacin con uno de los mtodos pero no aprendi la destreza.
Cul es la probabilidad de que se le haya enseado con el mtodo A?

P (F/A)=0.20
P ( A) = 0.70 ()
() =

=1 ()

P ( A/F) P (F/B)=0.10
( )
() = ( )+ ( )
P ( B) = 0.30

0.700.20
() = 0.700.20+0.300.10 = 0.8235 A = 82.35 %
B = 17.65 %
TEOREMA DE BAYES - WINQSB
 EJEMPLO 04 TEOREMA DE BAYES
En una empresa existe un estadstico de los ltimos 5 aos sobre empleados (E) y desempleados (D) entre
egresados de la UCV y la UT a travs del tiempo . La cantidad de jvenes de la UCV empleados es de 460 y
de la UT es de 140; mientras que jvenes de la UCV desempleados es de 40 y de la UT es de 260; como se
presenta en la siguiente tabla.
Una egresado varn de la UCV desea participar en una convocatoria en dicha empresa Cul es la
probabilidad de que a travs del tiempo sea un desempleado y empleado?
Cuales son las probabilidades de un joven de la UT?

EMPLEADO DESEMPLEADO TOTAL

UCV 460 40 500
UT 140 260 400
TOTAL 600 300 900

P ( E/UCV) = 0.766
P ( E) = 0.66 0.340.133
( ) = 0.340.133+0.660.77
P ( E/UT) = 0.233
600
P ( UCV/D) P ( D/UCV) = 0.133 UCV/D = 8.2 %
300
P ( D/UT) = 0.866 UCV/E = 91.8 %
P( D) = 0.34
UT/D = 65.5 %
()
() = ()+ ( ) UT/E = 34.5 %
TEOREMA DE BAYES - WINQSB
EJEMPLO 05 TEOREMA DE BAYES

Un laboratorio farmacutico estudio durante seis meses el comportamiento de 4

medicamentos ( Omeprazol, Acetaminofn, Hidroxicina y Ampicilina), vendido en cinco pases.
El estudio arrojo el siguiente resultado donde la probabilidad del pas 1 es de 30%, la del pas 5
del 10% y el sobrante se reparte entre los otros pases.
Cul es la probabilidad de que el pas 1 venda Omeprazol?
Cul es la probabilidad de que el pas 2 venda Ampicilina?

Pais 1 Pais 2 Pais 3 Pais 4 Pais 5

Omeprazol 20% 30% 30% 50% 20%
Acetaminofen 20% 40% 20% 25% 20%
Hidroxicina 25% 5% 30% 10% 0%
Ampicilina 35% 25% 20% 15% 60%

0.300.20
1() = 0.300.20+0.200.30+0.200.30+0.200.50+0.100.20

1() = 20%

0.200.25
2() = 0.300.35+0.200.25+0.200.20+0.200.15+0.100.60

2() = 17.5%
TEOREMA DE BAYES -
WINQSB
 DECISION BAJO RIESGO

Decisiones con experimentacin o teora Bayesiana

Estos tipo de decisiones toma en consideracin otros estudios previos similares a los que enfrenta o
la posibilidad de contar con opiniones de asesores externos expertos en la materia de estudio.

Para ello se deber considerar:

Estructurar matriz de rendimientos (incluyendo en algunos casos Maximax,Maximin,

Hurwicz,Minimax y La Place)

Determinara las probabilidades a priori .

Establecer los niveles de experimentacin (categoras) y se denotan con la letra I y

en notacin general k.

Determinar los datos histricos, estructurando una matriz por elementos

(cantidad de datos del estado j que se encuentran en el nivel de experimentacin k.)

Determinar las probabilidades condicionales = / =1 =
1,2,3. . = 1,2,3. . (probabilidad de estar en el nivel k dado que se ha presentado el
estado j)
 DECISION BAJO RIESGO

Calcular las probabilidades conjuntas = = 1,2,3. . =

1,2,3. . (probabilidad condicionales por la prioridad a priori de su respectivo
estado)

Determinar la probabilidad total de cada nivel = =1 = 1,2,3. . (solo

se suman las probabilidades conjuntas)

Calculo de probabilidades posteriores (Bayes) = / = 1,2,3. .

(probabilidades que combinan las a priori y las generales por nueva informacin o
histrica).

Calcular el mximo valor esperado o rendimiento para cada una de las alternativas
en cada uno de los niveles = =1 = 1,2,3. . (en esta
formula se cambia la probabilidad a priori por la posterior).

Seleccionar el mximo valor entre los valores calculados

 DECISION BAJO RIESGO
EJEMPLO 06

Teniendo en cuenta los datos de del ejemplo 01 de la empresa Mangos Hadden,

realizando un estudio de mercado debiendo establecer el nivel de aceptacin por parte
de sus consumidores; dichos niveles es han definido como: aceptacin excelente,
buena, regular y mala. En la siguiente tabla se encuentra consignada la informacin de
datos histricos para productos similares.

RENDIMIENTOS, MAXIMAS GANANCIAS Y PROBABILIDADES A PRIORI

ESTADOS DE LA NATURALEZA
NIVEL DE EXPERIMENTACION
DEMADA ALTA DEMANDA MEDIA DEMANDA BAJA

NIVEL 1: ACEPTACION EXCELENTE 200 30 5

NIVEL 2: ACEPTACION BUENA 100 80 15

NIVEL 3: ACEPTACION REGULAR 70 70 20

NIVEL 4: ACEPTACION MALA 30 20 60

TOTAL 400 200 100

 DECISION BAJO RIESGO

Determinar las probabilidades condicionales = / =1
= 1,2,3. . = 1,2,3. . (probabilidad de estar en el nivel k dado que se ha
presentado el estado j)

PROBABILIDADES CONDICIONALES

ESTADOS DE LA NATURALEZA
NIVEL DE EXPERIMENTACION
DEMADA ALTA DEMANDA MEDIA DEMANDA BAJA

NIVEL 1: ACEPTACION EXCELENTE 0,500 0,150 0,050

NIVEL 2: ACEPTACION BUENA 0,250 0,400 0,150

NIVEL 3: ACEPTACION REGULAR 0,175 0,350 0,200

NIVEL 4: ACEPTACION MALA 0,075 0,100 0,600

ESTADO 01:Demanda Alta

Ejemplo:
Nivel 1: P(1 1) = 200 400 = 0.500. Indica la probabilidad de que la aceptacin del producto sea
excelente, cuando se ha presentado demanda alta
 DECISION BAJO RIESGO

Calcular las probabilidades conjuntas = = 1,2,3. . = 1,2,3. .

(probabilidad condicionales por la prioridad a priori de su respectivo estado)
Determinar la probabilidad total de cada nivel = =1 = 1,2,3. . (solo se suman las
probabilidades conjuntas)

PROBABILIDADES CONJUNTAS
PROBABILIDAD
TOTAL DE CADA
ESTADOS DE LA NATURALEZA NIVEL DE
NIVEL DE EXPERIMENTACION
EXPERIMENTACION
DEMADA ALTA DEMANDA MEDIA DEMANDA BAJA

NIVEL 1: ACEPTACION EXCELENTE 0,100 0,075 0,015 0,190

NIVEL 2: ACEPTACION BUENA 0,050 0,200 0,045 0,295
NIVEL 3: ACEPTACION REGULAR 0,035 0,175 0,060 0,270
NIVEL 4: ACEPTACION MALA 0,015 0,050 0,180 0,245

PROBABILIDAD A PRIORI (Pj) 0,20 0,50 0,30

ESTADO 01:Demanda Alta NIVEL 01: Aceptacin Excelente

Ejemplo: Ejemplo:
Nivel 1: PC11 = 0.500*0.20 = 0.100. Nivel 1: P1 = 0.100+0.075+0.015 = 0.190
 DECISION BAJO RIESGO

Calculo de probabilidades posteriores (Bayes) = / = 1,2,3. . (probabilidades

que combinan las a priori y las generales por nueva informacin o histrica).

PROBABILIDADES POSTERIORES

ESTADOS DE LA NATURALEZA
NIVEL DE EXPERIMENTACION
DEMADA ALTA DEMANDA MEDIA DEMANDA BAJA

NIVEL 1: ACEPTACION EXCELENTE 0,526 0,395 0,079

NIVEL 2: ACEPTACION BUENA 0,169 0,678 0,153

NIVEL 3: ACEPTACION REGULAR 0,130 0,648 0,222

NIVEL 4: ACEPTACION MALA 0,061 0,204 0,735

NIVEL 01 : Aceptacin Excelente

Ejemplo:
PP11 = 0.100 0.190 = 0.526. Es la probabilidad de ocurrencia de la demanda alta, cuando el
nivel arrojado por el estudio de mercados es aceptacin excelente.
 DECISION BAJO RIESGO
Calcular el mximo valor esperado o rendimiento para cada una de las alternativas en cada uno de
los niveles = =1 = 1,2,3. . (en esta formula se cambia la probabilidad a
priori por la posterior).
Seleccionar el mximo valor entre los valores calculados

ACEPTACION EXCELENTE

ESTADOS DE LA NATURALEZA MAXIMO

NIVEL DE
VALOR
EXPERIMENTACION
DEMADA ALTA DEMANDA MEDIA DEMANDA BAJA ESPERADO

PUBLICITAR EN RADIO S/. 700 S/. 400 -S/. 200 S/. 510,53

PUBLICITAR EN DIARIO S/. 500 S/. 300 S/. 100 S/. 389,47

PUBLICITAR EN TV. S/. 1.200 S/. 600 -S/. 400 S/. 836,84

PROBABILIDAD POSTERIOR
0,526 0,395 0,079
EXCELENTE

NIVEL 01: Aceptacin Excelente Si el producto tiene aceptacin excelente, la

Ejemplo:
decisin a tomar es publicitar en televisin
MVE1 = 0.526(700) + 0.395(400) + 0.079(200) = $510.53
MVE2 = 0.526(500) + 0.395(300) + 0.079(100) = $389.47 esperando ganar S/. 836.84.
MVE3 = 0.526(1.200) + 0.395(600) + 0.079(400) = $836.84
 DECISION BAJO RIESGO

COSTO DE LA INFORMACION PERFECTA

Contratar a un asesor experto que oriente a un grado de certidumbre en las
presentacin de la informacin y ms exactamente en la ocurrencia de los estados de la
naturaleza. Cunto se le puede pagar a dicho asesor?

El procedimiento lgico para el clculo del costo de la informacin perfecta es el

siguiente:

Estructurar la matriz de rendimientos

Determinar las probabilidades a priori de ocurrencia de cada estado Pj
Establecer la ganancia esperada sin experimentacin tambin llamada GESIP
Seleccionar el maximizo rendimiento de los estados.
Calcular la ganancia con informacin perfecta o con experimentacin

=
=1
Calcular el costo de la informacin perfecta

=
 DECISION BAJO RIESGO
EJEMPLO 07
Con respecto a la empresa MANGOS HADDEN Cunto es el valor mximo (CIP) que se
le puede pagar a un asesor para que oriente las posibilidades de presentacin de cada
uno de los estados y por ende tomar una mejor decisin?
RENDIMIENTOS, MAXIMAS GANANCIAS Y PROBABILIDADES A PRIORI

RENDIMIENTO
ESTADOS DE LA NATURALEZA MAXIMO ESPERADO
ACCIONES O ALTERNATIVAS DE
DEMADA ALTA DEMANDA MEDIA DEMANDA BAJA GESIP
DECISION
PUBLICITAR EN RADIO S/. 700 S/. 400 -S/. 200 S/. 280.0

PUBLICITAR EN DIARIO S/. 500 S/. 300 S/. 100 S/. 280.0

PUBLICITAR EN TV. S/. 1,200 S/. 600 -S/. 400 S/. 420.0

PROBABILIDAD A PRIORI (Pj) 0.20 0.50 0.30

MAXIMO PROBABILIDAD A
ESTADOS DE LA NATURALEZA
RENDIMIENTO PRIORI (Pj) =
DEMADA ALTA S/. 1,200 0.20 =1

DEMANDA MEDIA S/. 600 0.50 GECIP = 1200*0.20+600*0.50+100*0.30=$570.

DEMANDA BAJA S/. 100 0.30 CIP = GECIP-GESIP=$570-$420=$150.

Por razones ms que lgicas, la empresa nunca debe pagar ms de $150 por este tipo
de asesoras, ya que su utilidad se ver disminuida.
 DECISION BAJO RIESGO

COSTO DE LA INFORMACION DE MUESTRA

Informacin adicional sobre los estados de la naturaleza, que permitan mejorar o
actualizar las probabilidades previas, de forma tal que las decisiones se tomen con
informacin de probabilidad ms precisa a cerca de los estados de la naturaleza.
Cunto se puede pagar como mximo por un estudio de este tipo?
Estructurar la matriz de rendimientos
Determinar las probabilidades a priori de ocurrencia de cada estado Pj
Establecer la ganancia esperada sin experimentacin de muestra tambin llamada
GESIM
Seleccionar el maximizo rendimiento de cada nivel de experimentacin as como su
probabilidad.
Calcular la ganancia esperada con informacin de muestra perfecta o con
experimentacin

=
=1
Calcular el costo de la informacin de muestra

=
 DECISION BAJO RIESGO
EJEMPLO 08
Con respecto a la empresa MANGOS HADDEN Cunto es el valor mximo que se
puede pagar por un estudio de mercados que permita orientar mejor las decisiones de
la compaa?
MAXIMOS RENDIMIENTOS Y PROBABILIDAD DE CADA NIVEL DE
EXPERIMENTACION
PROBABILIDAD DE
MAXIMO
NIVEL DE EXPERIMENTACION CADA NIVEL DE
RENDIMIENTO
EXPERIMENTACION
CIM=GECIM-GESIM=484.50-
NIVEL 1: ACEPTACION EXCELENTE S/. 837 0.190 420.00=$64.50.

NIVEL 2: ACEPTACION BUENA S/. 549 0.295

NIVEL 3: ACEPTACION REGULAR
NIVEL 4: ACEPTACION MALA
Lo anterior indica que por un
estudio de mercados la
S/. 456 0.270
empresa no debe pagar ms
de $64.50, ya que estara
S/. 165 0.245
disminuyendo su utilidad

=
=1
GECIM = 836.84*0.190+549.15*0.295+455.56*0.270+165.31*0.245
GECIM=$484.5.