Teo de Decisiones (Bolos 1,2,4,6,9)

BOLO N 2 DECISIONES BAJO CONDICIONES DE RIESGO
1. INTRODUCCION
La teora de decisiones puede definirse como el anlisis lgico y cuantitativo de todos los factores que afectan
los resultados de una decisin en un mundo incierto.
Se pueden resolver de acuerdo con los eventos considerados y la posibilidad de que ocurran estos en:
INFORMACION PERFECTA: Toma de decisiones en condiciones de Certeza (o riesgo calculado). Cuando

se conocen la mayora de los eventos y la posibilidad de que estos sucedan.
INFORMACION IMPERFECTA O PARCIAL: Se presentan bajo dos situaciones;
Decisiones con Riesgo: Disponibilidad intermedia de datos, debido a que se conoce la totalidad de los
eventos (o buena parte de ellos) pero las posibilidades de que estos sucedan se representan a travs de
las funciones de probabilidad, por lo que existe un grado de error importante.
Decisiones con Incertidumbre: No se disponen de datos.
Cuadro de la Teora de las Decisiones
Observaciones:
El propsito de la teora de decisiones es incrementar la probabilidad de obtener buenos resultados en un mundo

de incertidumbre.
El decisor es el individuo o conjunto de individuos, que tiene la responsabilidad de comprometer o asignar

recursos de una organizacin.
La calidad de la decisin depender de si esta es no consistente con las alternativas, informacin y preferencias
del decisor.
1
Como ya sabemos existen tres clases de modelos de decisin; cada clase se define por una suposicin acerca del
comportamiento de la naturaleza; y estas son: decisiones bajo certidumbre, decisiones bajo riesgo y decisiones
bajo incertidumbre. De las tres, lo ms probable es que nos encontremos ante decisiones bajo riesgo.
DESICIONES DECISIONES DECISIONES

BAJO CONDICIONES BAJO CONDICIONES BAJO CONDICIONES
CERTEZA RIESGO INCERTIDUMBRE
Cuando se posee informacin

El Estado futuro de la para asignar una distribucin Cuando no se posee
naturaleza es conocido de probabilidad. informacin suficiente
Los casos de riesgo son muy como para asignarle una
Caso determinstico, es decir particulares y los ms distribucin de probabilidad a
existe seguridad en lo que comunes estn relacionados los posibles resultados futuros
suceder con situaciones de azar de una decisin tomada hoy.
En el futuro. (loteras, ruletas, rifas, etc.)
2. DECISIONES BAJO CONDICIONES DE RIESGO:
Los procesos de decisin en ambiente de riesgo se caracterizan porque puede asociarse una probabilidad de
ocurrencia a cada estado de la naturaleza, probabilidades que son conocidas o pueden ser estimadas por el
decisor antes del proceso de toma de decisiones.
RIESGO:
Riesgo es un conjunto de circunstancias que representan una posibilidad de prdida
El riesgo se halla de forma implcita asociado a toda actividad:
Todo suceso se ve marcado por las acciones del pasado
El riesgo acompaa a todo cambio
El riesgo implica posibilidades de prdidas no compensadas con posibilidades de ganancias.
Riesgo significa qu tantas posibilidades hay que la decisin adoptada sea errnea. Con esa informacin el
decisor tomar la mejor determinacin y slo queda esperar para saber si el resultado es o no
favorable. Por ms cuidado que se tenga en el anlisis, siempre existir la posibilidad que el resultado
sea desfavorable.
3. ASIGNACIN DE PROBABILIDADES
Dado que al momento de tomar decisiones en condiciones de riesgo es necesario asignar probabilidades a cada
resultado posible de un curso de accin.
Tomando decisiones bajo riesgo conocemos las probabilidades de los hechos, pero no los resultados.
Una caracterstica principal del riesgo es:
Ser posible: Las posibilidades se miden por una combinacin binaria (0 y 1), en donde 0 = a imposibilidad de
que el hecho ocurra y 1= a certeza de que ocurrir.
Entonces, el grado de probabilidad se expresa en una fraccin que va del 0 al 1, y sta al convertirla en
porcentaje (%), nos da el grado de probabilidad.
De acuerdo con esto, el riesgo debe ser posible como la probabilidad aritmtica de que el siniestro ocurra. Si la
probabilidad aritmtica es (0), entonces no hay riesgo y por lo tanto no hay seguro. Ejemplo no se puede
contratar un seguro sobre la prdida de un objeto que no exista al tiempo de la contratacin del seguro.
Cabe decir que si el evento debe necesariamente ocurrir en una fecha pre sealada y no se puede evitar entonces,
el grado de probabilidad es (1) y por lo tanto no hay riesgo. Ejemplo: una persona no puede asegurarse contra el
2
hecho de que los comercios no abren el da primero de Mayo, porque los comercios necesariamente no abrirn
debido a que es un da feriado nacional.
Hay que aceptar que este tipo de anlisis es anticipado -a priori- y que se sabe que el resultado ser nico. Sin
embargo, al hacer el anlisis a priori, hay que identificar el mayor nmero de resultados posibles y medir, para
cada resultado, la probabilidad que ocurra. Cuando se trabaja con decisiones bajo riesgo, es necesario entonces,
introducir el concepto de probabilidad. Esta idea se utiliza en forma intuitiva y en el lxico corriente.
Debe entenderse por posible aquello que puede ocurrir, independientemente de si se considera que ocurrir casi
por seguro o en un caso remoto y aislado.
En cambio, la calidad de probable se refiere a qu tan fuertemente se cree que algo suceder. Si se dice que algo
es probable, se est diciendo que eso ocurrir casi por seguro o en la mayora de los casos. Si algo es poco
probable, significa que no se cree que ocurrir o que ocurrir en un caso aislado.
De esta manera, todo lo que es probable es posible, dado que para que algo tenga probabilidad de ocurrencia
primero es necesario que pueda ocurrir o ser. Pero no todo lo que es posible es probable, dado que si bien puede
ocurrir, puede ser que no se espere que ocurra o se crea ocurrir en el ms remoto de los casos.
Como ya sabemos que la probabilidad es Rama de las matemticas que se ocupa de medir o determinar
cuantitativamente la posibilidad de que ocurra un determinado suceso aleatorio.
Probabilidad objetiva y subjetiva

Podemos diferenciar dos tipos de probabilidad de acuerdo con su interpretacin. As podemos hablar de
probabilidad objetiva y de probabilidad subjetiva.
La probabilidad objetiva es aquella que se asigna en base a la informacin histrica definitiva, la evidencia
objetiva (experiencia comn), o el anlisis riguroso. En este tipo de probabilidad surgen dos tipos de
interpretaciones: la de simetra de resultados y la de frecuencia relativa.
La simetra de los resultados implica que los resultados que son idnticos en aspectos esenciales deben tener la
misma probabilidad. Por ejemplo, supngase que tenemos una caja contiene tres bolas rojas y siete bolas negras
(todas del mismo tamao, textura, e idnticas salvo en el color), y se mezclan bien. La interpretacin de la
simetra de resultados asignar 0.10 de probabilidad a cada bola, y por tanto 0.3 de probabilidad de sacar una
bola roja y 0.7 de sacar una bola negra.
La interpretacin de la frecuencia relativa radica en la experiencia histrica en situaciones idnticas. Por tanto,
si se lanza una moneda 10.000 veces y se obtienen 4.998 caras, la probabilidad de obtener cara la siguiente vez
que se lance la moneda es de 0.5 aproximadamente (es decir, 4.998/10.000) de la misma manera que antes.
La interpretacin subjetiva de probabilidades, en la cual la experiencia personal se convierte en la base de

asignacin de probabilidades. Con frecuencia esta interpretacin es til y hasta necesaria para tomar decisiones
de negocios, ya que la evidencia objetiva confiable puede no estar disponible. As en contraste con la situacin
de lanzar una moneda al aire, si un gerente est tratando de decidir si debe construir o no una nueva fbrica, cuyo
xito depender principalmente de si hay o no una recesin durante los prximos cinco aos, debe tener en
cuenta que la probabilidad asignada a la recesin es un peso subjetivo. La historia y la experiencia comn que
pueda proyectarse al futuro con confianza no estn directamente disponibles, pero puede ser apropiado e incluso
necesario considerar el evento de que ocurra una recesin. Luego ser necesario recolectar evidencia y de utilizar
el criterio empresarial para que el gerente pueda asignar una probabilidad a ese evento que podra utilizarse en la
toma de decisiones.
En conclusin, ambos tipos de interpretacin de probabilidades deben ser considerados al momento de la toma
de decisiones. Lo que se busca en la toma de decisiones bajo condiciones de riesgo es permitir que el decisor
piense en trminos de eventos posibles que pueden ocurrir despus de una decisin, y las consecuencias y
probabilidades de estos eventos, en lugar de hacer que el gerente se pregunte de inmediato y sin ms si la
decisin es deseable o no deseable.
3
La teora de las probabilidades nos dice que:
Es un nmero entre o (imposibilidad) y 1 (certeza)
La suma de todos los posibles sucesos de una situacin es 1. Por ejemplo al lanzar una moneda, la
probabilidad que salga cara (0.5) ms la probabilidad que salga sello (0.50) es 1.
As, en el ejemplo del Lanzamiento de un Dado la asignacin razonable ser la de P(1) =
P(2) = P(3) = P(4) = P(5) = P(6) =1
Entonces para la asignacin de probabilidades debemos:
Guiarse por el sentido comn

Consultar la informacin existente
Recoger datos nuevos
Preguntar a los expertos
Dividir las incertidumbres en sus componentes
4. CRITERIOS DE DECISION EN AMBIENTE DE RIESGO

Los diferentes criterios de decisin en ambiente de riesgo se basan en estadsticos asociados a la distribucin
de probabilidad de los resultados. Algunos de estos criterios se aplican sobre la totalidad de las alternativas,
mientras que otros slo tienen en cuenta un subconjunto de ellas, considerando las restantes peores, por lo no
que estn presentes en el proceso de toma de decisiones.
Representaremos por R(ai) los resultados asociados a la alternativa ai, y por P(ai) la distribucin de
probabilidad correspondiente a tales resultados, esto es, el conjunto de valores que representan las
probabilidades de ocurrencia de los diferentes estados de la naturaleza:
R xi1 xi1 ... xi1
P p1 p2 ... pn
Los principales criterios de decisin empleados sobre tablas de decisin en ambiente de riesgo son:
CRITERIO DEL VALOR ESPERADO

Criterio de mnima varianza con media acotada
Criterio de la media con varianza acotada
Criterio de la dispersin
Criterio de la probabilidad mxima
Todos estos criterios sern aplicados al problema de decisin bajo riesgo cuya tabla de resultados figura
a continuacin:
Decisin bajo riesgo: Ejemplo
Estados de la Naturaleza
4
e1 e2 e3
Alternativas e4
a1 11 9 11 8
a2 8 25 8 11
a3 8 11 10 11
Probabilidades 0.2 0.2 0.5 0.1
CRITERIO DEL VALOR ESPERADO
El valor esperado o esperanza matemtica (o simplemente esperanza) de una variable aleatoria es la suma de la
probabilidad de cada suceso multiplicado por su valor. Por ejemplo en un juego de azar el valor esperado es el
beneficio medio. Si todos los sucesos son de igual probabilidad la esperanza es la media aritmtica.
El Valor Esperado es la suma ponderada de los pagos correspondientes a la alternativa de decisin.

Para seleccionar la mejor alternativa se puede usar el criterio de Valor Esperado.
El factor de ponderacin de cada pago es la probabilidad de ocurrencia del estado de la naturaleza asociado a ese
pago
Un problema de este criterio es que no considera las situaciones ante posibles prdidas, como: Cuando las
consecuencias de un resultado potencialmente desfavorable no pueden ignorarse (cuando se ponen en juego
grandes sumas de dinero en trminos relativos), el VE puede no ser el mejor criterio de decisin.
El resultado o valor esperado para la alternativa ai, que notaremos E[R(ai)], viene dado por:
Tambin:
E(x) = [ x . P(x) ]
Donde:
E(x) = valor esperado
x = cada valor de la distribucin
P(x) = probabilidad de ocurrencia de cada x
5
por lo que el criterio del valor esperado resulta ser:
Obsrvese que esta regla de decisin es una generalizacin del criterio de Laplace en la que desaparece el
requisito de equiprobabilidad para los diferentes estados de la naturaleza.
EJEMPLO: Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra el resultado
esperado para cada una de las alternativas.
Criterio del valor esperado
e1 e2 e3
Alternativas e4 E[R(ai)]
a1 11 9 11 8 10.3
8 25 8 11 11.7
a3 8 11 10 11 9.9
E[R(a1)] = 11*0.2 + 9*0.2 + 11*0.50 + 8*0.1 = 2.2+1.8+5.5+0.8= 10.3

E[R(a2)] = 8*0.2 + 25*0.2 + 8*0.50 + 11*0.1 = 1.6+5+4+1.1 = 11.7
E[R(a3)] = 8*0.2 + 11*0.2 + 10*0.50 + 11*0.1 = 1.6 + 2.2+ 5+ 1.1 =9.9
La alternativa ptima segn el criterio del valor esperado sera a 2, pues proporciona el mximo de los valores
esperados.
Si existe una estimacin de la probabilidad de que un determinado estado de la naturaleza ocurra, entonces se
puede calcular la ganancia esperada (VE).
- Para cada decisin la ganancia esperada se calcula como:
CRITERIO DE MNIMA VARIANZA CON MEDIA ACOTADA
Para la utilizacin de este criterio se consideran exclusivamente las alternativas a cuyo valor esperado E[R(a)]
sea mayor o igual que una constante K fijada por el decisor. Para cada una de las alternativas ai que cumpla esta
condicin se determina la varianza V[R(ai)] de sus resultados,
6
y se selecciona la que presente menor varianza, de esta forma se consigue la eleccin de una alternativa con poca
variabilidad en sus resultados y que proporciona, por trmino medio, un resultado no demasiado pequeo. En
resumen, el criterio de mnima varianza con media acotada es el siguiente:
EJEMPLO:
Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra el resultado esperado y su
varianza para cada una de las alternativas.
Criterio de mnima varianza con media acotada
e1 e2 e3
Alternativas e4 E[R(ai)] V
a1 11 9 11 8 10.3 1.21
a2 8 25 8 11 11.7 45.01
a3 8 11 10 11 9.9 1.09
Si el decisor selecciona un valor 10 para la constante K, quedara excluida del proceso de decisin la alternativa
a3, que es la que posee menor varianza. Excluida sta, la eleccin ptima corresponde a la alternativa a 1, pues es
la que posee menor varianza entre las que cumplen la condicin E[R(ai)]01.
CRITERIO DE LA MEDIA CON VARIANZA ACOTADA
7
Para la utilizacin de este criterio se consideran exclusivamente las alternativas a cuya varianza V[R(a)] sea
menor o igual que una constante K fijada por el decisor. Para cada una de las alternativas ai que cumpla esta
condicin se determina el valor esperado E[R(ai)] de sus resultados,
y se selecciona la que presente mayor valor esperado, de esta forma se consigue la eleccin de una alternativa
con poca variabilidad en sus resultados y que proporciona, por trmino medio, un buen resultado. En resumen, el
criterio de la media con varianza acotada es el siguiente:
EJEMPLO:
Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra el resultado esperado y su
varianza para cada una de las alternativas.
Criterio de la media con varianza acotada
e1 e2 e3
Alternativas e4 E[R(ai)] V
a1 11 9 11 8 10.3 1.21
a2 8 25 8 11 11.7 45.01
a3 8 11 10 11 9.9 1.09
Si el decisor selecciona un valor 20 para la constante K, quedara excluida del proceso de decisin la alternativa
a2, que es la que posee mayor valor esperado. Excluida sta, la eleccin ptima corresponde a la alternativa a1,
pues es la que posee mayor valor esperado entre las que cumplen la condicin V.
CRITERIO DE DISPERSIN
Para cada alternativa ai se calcula el siguiente valor medio corregido:
8
donde K es una valor fijado por el decisor, y se selecciona la de mayor valor resultante. De esta forma se
consigue limitar la influencia de alternativas con un valor esperado grande, pero tambin alta variabilidad. Por
tanto, el criterio de dispersin puede resumirse de la siguiente forma:
EJEMPLO
Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra, para cada una de las
alternativas, el valor esperado, la varianza y el valor esperado corregido correspondiente a un factor K=2.
Criterio de dispersin
e1 e2 e3
Alternativas e4 E[R(ai)] V CR
a1 11 9 11 8 10.3 1.21 8.10
a2 8 25 8 11 11.7 45.01 -1.72
a3 8 11 10 11 9.9 1.09 7.81
La alternativa ptima segn el criterio de dispersin sera a1, pues proporciona el mximo de los valores
corregidos.
CRITERIO DE LA PROBABILIDAD MXIMA
Para cada alternativa ai se determina la probabilidad de que la variable aleatoria que proporciona el resultado
tome un valor mayor o igual que una constante K fijada por el decisor:
9
y se selecciona aquella alternativa con mayor probabilidad asociada. Por tanto, el criterio de probabilidad
mxima puede resumirse de la siguiente forma:
EJEMPLO
Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra, para cada una de las
alternativas, la probabilidad de que el resultado sea mayor o igual que K=10.
Criterio de probabilidad mxima
e1 e2 e3
Alternativas e4 P
a1 11 9 11 8 0.7
a2 8 25 8 11 0.3
a3 8 11 10 11 0.8
Para la alternativa a1, slo los resultados correspondientes a los estados e1 y e3 superan el valor 10, siendo sus
probabilidades asociadas 0.2 y 0.5; sumando ambas se obtienen la probabilidad de obtener un resultado mayor o
igual que 10 para la alternativa a1. De manera anloga se determinan las restantes probabilidades. La alternativa
ptima segn este criterio sera a3, pues proporciona la probabilidad ms alta.
Utilidad Esperada
Aqu veremos el principal paradigma para comprender la toma de decisiones bajo incertidumbre, el cual se
remonta a los trabajos de von Neumann y Mongenstern (1944) y Savage (1954).
Para fijar ideas, consideramos un individuo que enfrenta opciones de trabajo que le reportarn un ingreso que es
incierto. Hacemos una serie de supuestos para simplificar el anlisis:
El individuo conoce las probabilidades de eventos inciertos que pueden afectar su ingreso.
Los beneficios para los consumidores se miden en unidades de utilidad satis en lugar de unidades monetarias.
Las tres grficas de la figura muestran tres tipos de relacin cualitativa posibles entre ingresos y utilidad. El eje x
muestra el ingreso, en miles de pesos; el eje y la utilidad correspondiente (medida en satis). En las tres figuras
se tiene que un ingreso mensual de 300 mil pesos da una utilidad de 180 satis.
10
La principal diferencia entre los tres grficas es la siguiente:
En el caso (A) la utilidad marginal decrece con el ingreso: la utilidad adicional que reporta un incremento menor
a medida que crece el ingreso. Se dice que las personas cuyas funciones de utilidad son cncavas con respecto al
ingreso son renuentes al riesgo, lo que significa que siempre rechazaran un juego cuyo valor esperado es cero
(juegos justos)
En el caso (B) la utilidad marginal no depende de ingreso es siempre la misma (constante)
En el caso (C) la utilidad marginal crece con el ingreso. Tambin es una funcin de utilidad de una persona que
busca el riesgo.
La hiptesis de maximizacin de la utilidad esperada dice que al elegir entre diversas alternativas en situaciones
de incertidumbre las personas eligen aquella que maximiza su utilidad esperada.
Su teora de la maximizacin esperada de la utilidad parte de la funcin de utilidad U que asigna un valor
numrico a la satisfaccin que reportan los diferentes resultados. La utilidad esperada de un juego es el valor
esperado de la utilidad de cada uno de sus resultados posibles.
Ejemplo
Si sale cara, se ganan 100$; si sale cruz, se pierden 0.50$ . Este juego es improbable que se ofrezca nunca en un
casino que pretenda ganar dinero. La cantidad que se gana si sale cara es 200 veces superior a la que se pierde si
sale cruz, y hay las mismas probabilidades de que salga cualquiera de los dos resultados. Solo las personas cuya
fe religiosa les impide jugar consideraran la posibilidad de rechazar este juego.
Si el consumidor tuviera una riqueza de 1000 aceptara el juego y ganara, el resultado sera una riqueza de 1000
+ 100 = 1100 y su utilidad U(1100). Si perdiera su riqueza seria 1000 0.50 = 999.50 y su utilidad U(999.50).
En trminos ms generales , si M0 es el nivel inicial de riqueza del consumidor, la utilidad (UE) de aceptar el
primer juego sera.
UE=0.5U(M0+100)+0.5U(M0 - 0.50)
Supongamos que la funcin de utilidad es U(M) =M0.5
UE = 0.5 (1100)0.5 + 0.5(999.50) 0.5= 32.39
BOLO N 4
DECISIONES BAJO CONDICIONES

DE INCERTIDUMBRE
11
1. INTRODUCCIN
Todos y cada uno de nosotros pasamos los das y las horas de nuestra vida teniendo que tomar decisiones. Con
frecuencia se dice que las decisiones son algo as como el motor de los negocios y en efecto, de la adecuada
seleccin de alternativas depende en gran parte el xito de cualquier organizacin.
Naturaleza del Proceso Decisorio
La Decisin determina la eleccin de una forma de actuar frente a un nmero finito de alternativas posibles (A1,
A2, ..., Ai) y con el objetivo de alcanzar en el futuro una situacin deseable. La variable tiempo es un elemento
ms en la Toma de Decisiones ya que la decisin que tomamos en el momento presente con los datos
disponibles, generar un resultado en el futuro (F1, F2,...Fj).
PASADO PRESENTE FUT URO
ACCIN RESULTA
DATOS DECISIN ACCIN
Ai RESULTA
DATOS DECISIN Ai DO
DO
X ij
Condiciones en las que se toman las decisiones X ij
En una organizacin son reflejo de las fuerzas del entorno (sucesos y hechos) que tales individuos no pueden
controlar, pero las cuales pueden influir a futuro en los resultados de sus decisiones. Estas fuerzas pueden ir
desde nuevas tecnologas o la presencia de nuevos competidores en un mercado hasta nuevas leyes o disturbios
polticos. Las condiciones en las que se toman las decisiones pueden clasificarse en trminos generales como
certidumbre, riesgo e incertidumbre.
Objetiva Subjetivas
s
Clasificacin del los Problemas de Decisin
2. DIFERENCIAS ENTRE CERTIDUMBRE E INCERTIDUMBRE
12
CERTIDUMBRE O CERTEZA INCERTIDUMBRE
- Informacin perfecta; El decisor conoce el - Falta de cierta de informacin El decisor no
estado de la naturaleza que ocurrir con conoce el estado de la naturaleza que ocurrir
absoluta certeza. (conoce el conjunto de con absoluta certeza. Conoce sus posibles
alternativas factibles y sus consecuencias) concreciones pero no tiene ninguna
informacin ms.
- La matriz de decisiones tiene una sola
columna, a cada alternativa factible se le - La matriz de decisiones tiene varias
asigna un solo resultado posible). Probabilidad columnas y filas, no se conocen las
igual a la unidad. probabilidades de ocurrencia de los estados
naturales.
- Se emplea la Programacin lineal si se
toma una decisin no hay duda con respecto a - Se recurre a criterios para tomar la
cul ser la utilidad asociada con esa decisin. decisin; Maximin, Maximax, Principio de
Hurwics, Criterio de Laplace.
Certidumbre
La certidumbre es la condicin en que los individuos son plenamente informados sobre un problema, las
soluciones alternativas son obvias, y son claros los posibles resultados de cada decisin. En condiciones de
certidumbre, la gente puede al menos prever (si no es que controlar) los hechos y sus resultados. Esta condicin
significa el debido conocimiento y clara definicin tanto del problema como de las soluciones alternativas. Una
vez que un individuo identifica soluciones alternativas y sus resultados esperados, la toma de la decisin es
relativamente fcil. El responsable de tomar la decisin sencillamente elige la solucin con el mejor resultado
potencial. Por ejemplo, de un agente de compras de una imprenta se espera que ordene papel de calidad estndar
al proveedor que ofrezca el menor precio y mejor servicio.
Riesgo
El riesgo es la condicin en la que los individuos pueden definir un problema, especificar la probabilidad de
ciertos hechos, identificar soluciones alternativas y enunciar la probabilidad de que cada solucin d los
resultados deseados. El riesgo suele significar que el problema y las soluciones alternativas ocupan algn punto
intermedio entre los extremos representados por la plena informacin y definicin y el carcter inusual y
ambiguo. La probabilidad es el porcentaje de veces en las que ocurrira un resultado especfico si un individuo
tomara muchas veces una misma decisin. El ejemplo de probabilidad ms comn es el lanzamiento de una
moneda: dado un nmero suficiente de lanzamientos, el 50 por ciento de las veces aparecer la cara y el 50 por
ciento de las veces restantes aparecer la cruz..
Probabilidad objetiva
La posibilidad de que ocurra un resultado especfico con base en hechos consumados y nmeros concretos se
conoce como probabilidad objetiva. En ocasiones, un individuo puede determinar el resultado probable de una
decisin examinando expedientes anteriores. Por ejemplo, aunque las compaas de seguros de vida no pueden
determinar el ao en que morir cada tenedor de plizas, pueden calcular las probabilidades objetivas se basan
en la expectativa de que los ndices de mortalidad prevalecientes en el pasado se repitan en el futuro.
Probabilidad subjetiva
A la apreciacin basada en juicios y opiniones personales de que ocurra un resultado especfico se conoce como
probabilidad subjetiva. Tales juicios varan de un individuo a otro, dependiendo de su intuicin, experiencia
13
previa en situaciones similares, conocimientos y rasgos personales (como preferencia por la asuncin o por la
elusin de riesgos).
Un cambio en la condicin en que se toman las decisiones puede alterar expectativas y prcticas. Tal cambio
puede desplazar la base sobre la cual juzgar la probabilidad de un resultado de la probabilidad objetiva a la
probabilidad subjetiva o incluso a la incertidumbre.
Incertidumbre
La caracterstica principal de los problemas de decisin en ambiente de incertidumbre reside en el grado de

conocimiento que el decidor tiene del entorno, es decir, del estado de naturaleza. De ese estado, el decidor
conoce sus posibles concrecione, pero no tiene ninguna informacin ms, por eso no es capaz de asociar a la/s
varible/s de estado una distribucin de probabilidad. Puesto que el decidor no puede objetivar la incertidumbre
presente en el problema de decisin, l ser el protagonista a la hora de resolver dicho problema, de forma sus
mecanismos psicolgicos dan lugar a una serie de criterios de decisin.
Elementos de un problema de decisin en ambiente de incertidumbre

- Decisor
- Conjunto de alternativas (conjunto de posibles actuaciones de que dispone el decisor para conseguir sus
objetivos).
- Estado de la naturaleza (Factor o factores que influyen en el problema de decisin y que no estn bajo el
control del decisor. Es la variable que refleja el entorno del problema de decisin. Puede presentar distintas
concreciones, variable que puede ser de naturaleza continua o discreta.
- Criterio de evaluacin (Caracterstica que permite valorar el conjunto de alternativas).
- Criterio de decisin (Norma que permite asociar a cada alternativa un valor nico real, basndonos en la
informacin disponible. Transformando el problema de decisin en ambiente de incertidumbre en un
problema en ambiente de certeza es decir de optimizacin).
Incertidumbre en el Anlisis de Riesgo

La incertidumbre puede ser definida como la falta de conocimiento preciso o desconocimiento de las causas que
determinan el comportamiento de un sistema real o las variable que definen el modelo respectivo, sea sta
cualitativa o cuantitativa.
Esto genera los siguientes inconvenientes:
1. No podemos describir con certeza el comportamiento parcial o total de un sistema.

2. Debemos realizar el Anlisis de Riesgo y tomar decisiones en ese contexto de incertidumbre.
Objetivo de hacer un Anlisis de Incertidumbre es mejorar sustancialmente la calidad y el resultado del

proceso de toma de decisiones.
Para esto necesitamos herramientas que nos posibiliten determinar y cuantificar las fuentes de incertidumbre
permitiendo de esta manera la construccin de estimadores de riesgo ms confiables en un rango de
probabilidades.
Para ello describiremos a continuacin los distintos tipos de Incertidumbre que debemos tener en cuenta para
considerar su efecto y poder construir de esta manera los estimadores de riesgo respectivos.
Tipos de incertidumbre
1. Incertidumbre relativa a los escenarios considerados.

2. Incertidumbre en lo que respecta a los parmetros.
3. Incertidumbre en el Modelo.
14
1. Incertidumbre en los Escenarios
Es la falta de informacin requerida para definir en forma completa el Anlisis que est expresada por:
Errores de agregacin al combinar la diferentes aproximaciones.

Errores de juicio profesional al definir las caractersticas de los escenarios.
Anlisis incompleto. Esta es una las causas ms difciles de subsanar ya que no es esencialmente
cuantificable ya que no podemos cuantificar aquello que no hemos considerado y por lo tanto es una de
las causales mas significativas.
La definicin de escenarios debe ser fundamentada cualitativamente para validar las conclusiones en lo que se
refiere a considerar o descartar escenarios que representen la realidad.
Ejemplos de este tipo se pueden presentar como:
Anlisis incompleto: el mismo genera un riesgo mayor que el real por ejemplo no considerar el efecto de la
competencia interna o externa en un estudio de mercado realizado para lanzar un producto al mismo.
Error de agregacin: por ejemplo si consideramos a toda la poblacin homognea cuando pueden existir
subconjuntos o subpoblaciones ms sensibles.
2. Incertidumbre en los Parmetros
Errores de medicin:
Son bastante significativos ya que ningn proceso de medicin es perfecto y podemos encontrar los siguientes
tipos de errores:
Aleatorios: los mismos tienden a cero con ms y mejores mediciones.
Sistemticos: son la consecuencia de la calibracin imprecisa de los instrumentos de medida, y

determinan el sesgo con respecto al valor verdadero.
Errores de Muestreo
Se producen al analizar una muestra de la poblacin para inferir datos acerca de la poblacin total, disminuyen a
medida que aumentamos el tamao de la muestra.
Uso de Datos genricos

Se producen cuando al no tener datos reales se toman de otros Anlisis similares.
Desacuerdo
Si el conocimiento no es perfecto como ocurre en campos de innovacin y desarrollo, no siempre existir entre
los cientficos concordancia en el cual esa la Verdad.
3. Incertidumbre en el Modelo
La misma esta relacionada a las variables que caracterizan el modelo y la cuantificacin de las interacciones
entre las mismas.
Las variables que caracterizan el Modelo son de distinto tipo en consecuencia la determinacin de la
Incertidumbre ser en funcin del tipo de variable que definiremos como:
Constantes: en este caso por definicin no es incierto.

15
Cantidades Empricas: Son aquellos atributos medibles y a los cuales se les puede asociar un valor de
distribucin de probabilidad.
Variables de Decisin: Son aquellas sobre las que tenemos un control directo sobre lo que debemos
realizar, el mejor valor es el resultante del Anlisis.
Parmetros de Valor: Son aquellos que representan las preferencias del Tomador de Decisiones y son
los que introducen el mayor grado de incertidumbre.
Resultado: El mismo ser probabilstico o determinstico en funcin de la naturaleza de las entradas.
3. REDUCCIN DE UNA MATRIZ DE INCERTIDUMBRE A UNA MATRIZ OPERABLE
La toma de decisiones bajo incertidumbre, al igual que bajo riesgo, implica acciones alternativas cuyas
retribuciones dependen de los estados de la naturaleza (aleatorios). En forma especifica, la matriz de retribucin
de un problema de decisin con m acciones alternativas y n estados de la naturaleza, se puede representar como
sigue:
Para tomar la decisin hay que prever el futuro y calcular cada una de las consecuencias de cada una de las
posibles acciones cada accin puede dar lugar a una o varias consecuencias que se indica con X ij condicionada a
la ocurrencia de los distintos futuros Fj que puedan presentarse
MATRIZ DE RESULTADOS
El anlisis de los problemas de decisin pueden facilitarse disponiendo de todos los elementos en forma de
matriz llamado matriz de resultados.
La representacin en forma de matriz es conveniente puesta que nos permite disponer los distintos cursos de
accin (altenativas Ai) en filas y los distintos futuros (Fj) posibles en columnas de modo que la interseccin de
una fila y una columna es el resultado Xij que corresponde a esa accin para ese futuro.
F1 _...... Fj
A1 X11 _...... X1j
Ai Xi1 _...... Xij
As, la matriz de resultados resume todas las caractersticas de los problemas de decisin, y proporciona una
forma clara de presentar toda la informacin necesaria en el proceso decisorio.
EJEMPLO:
Una juguetera y casa de cotilln se propone en formar sus stocks de un artculo tradicional navideo con motivo
de las prximas fiestas. El precio de venta es de $ 200, el costo de $ 120, el costo de entrega de $ 30, y el valor
de recupero por cada unidad sobrante ( es decir, no vendida en las fiestas de fin de ao) es de $ 80.
Se conocen datos histricos de la demanda que permiten establecer que se pueden vender al precio antes
mencionado 1000 unid; 1500 unid; 2000 unid y 2500 unid.
Para construir la matriz de resultados debemos comenzar por enumerar todos los actos posibles (o alternativas)
Ai y todos los futuros probables Fj .
a) Alternativas posibles Ai
16
A1 = comprar 1000 unidades
b) Futuros probables Fj
F1 = vender 1000 unidades

El segundo paso consiste en establecer los resultados Xij (que en este problema son ganancias) a obtener en cada
caso.
Donde;
D = cantidades demandadas
S = cantidades compradas para stock,
Pueden darse tres casos:
Demanda supere el stock (D > S) en cuyo caso se vender la cantidad S, es decir todo el stock; Demanda iguale
el stock (D = S);
Demanda sea inferior al stock (D < S), en cuyo caso habr que liquidar el remanente del stock vendindolo al
valor de recupero.
Obviamente, segn el caso que se presente, las ganancias sern distintas, pudiendo ordenarse su clculo en la
forma indicada en la Tabla.
D>S D=S D<S

INGRESO TOTAL POR VENTA 200*S 200*S 200*D
(-) COSTO TOTAL DEL STOCK 120*S 120*S 120*S
COMPRADO
(-)COSTO TOTAL DE ENTREGA DE LAS 30*S 30*S 30*D
UNIDADES VENDIDAS
VALOR TOTAL DE RECUPERO DE LAS 80*(S-D)
UNIDADES NO VENDIDAS
Ganancia Total 50*S 50*S 170*D-120*S+80*(S-
D)
Agrupando, nos queda que los resultados a obtener para cada caso estarn expresados por:
200*S 120*S 30*S = 50*S si DS

Xij (ganancia en $) =
200*D 120*S 30*D + 80*(S D) = 90*D 40*S si D< S
Usando esas ecuaciones, se conforma la matriz de resultados indicada en la Tabla.
F1 (D = 1000) F2 (D = 1500) F3 (D = 2000) F4 (D = 2500)

17
A1 (S = 1000) 50*S 50*S 50*S 50*S
A2 (S = 1500) 90*D 40*S 50*S 50*S 50*S
A3 (S = 2000) 90*D 40*S 90*D 40*S 50*S 50*S
A4 (S = 2500) 90*D 40*S 90*D 40*S 90*D 40*S 50*S
Por ultimo, reemplazando en las ecuaciones los valores correspondientes,

obtenemos la matriz de resultados deseada, que se indica en la Tabla.
F1 F2 F3 F4
A1 50000 50000 50000 50000
A2 30000 75000 75000 75000
A3 10000 55000 100000 100000
A4 -10000 35000 80000 125000
4. CRITERIO BAJO CONDICIONES DE INCERTIDUMBRE
Este tipo de problemas de decisin aparece cuando conociendo los varios futuros posibles, no se puede
determinar su distribucin de probabilidades, por ejemplo esta el problema de la fijacin del precio de un nuevo
producto para el cual no se conocen las probabilidades asociadas a los distintos niveles de demanda posibles, o el
problema de determinar el perodo ptimo de reemplazo de pieza de una maquinaria (mantenimiento preventivo)
cuando no se conocen las probabilidades asociadas a los distintos valores posibles de la vida til de dichas
piezas. En tales casos, la construccin de la matriz de resultados se reduce a la enunciacin de las diferentes
alternativa Ai y de los futuros Fj , y la determinacin de los resultados Xij .
El desconocimiento de las probabilidades no permite calcular el resultado esperado de cada alternativa, y por lo
tanto hay que acudir a diversos criterios de decisin que aplicados a un mismo problema pueden conducir a la
seleccin de alternativas distintas. Nos enfrentamos entonces con la disyuntiva de elegir el criterio a aplicar en
cada problema de decisin: la respuesta depender de la poltica de la empresa y/o la actitud del encargado de
tomar las decisiones.
La diferencia entre tomar una decisin bajo riesgo y bajo incertidumbre es que en el caso de la incertidumbre, la
distribucin de probabilidades correspondiente a los estados F j, j = 1,2,, n, se desconoce o no se puede
determinar. Esta falta de informacin ha conducido a desarrollar los criterios de Optimista, de Wald, de Hurwicz,
Savage y Laplace, para analizar el problema de decisiones.
Ejemplo Prctico: Una empresa debe optar entre dos maquinas (A y B) para procesar una pieza. Para una de
ellas (la A) el costo de preparacin es de Bs.2000 y el costo unitario de produccin es de Bs. 20. Para la otra (la
B) dichos costos son respectivamente Bs. 5000 y Bs.10 la unidad.Construir una matriz de incertidumbre si el
precio de venta es de Bs.30
la unidad y la produccin requerida est en el rango de 100 Q 400?
La ganancia bruta se obtiene con una produccin de Q unidades en una u otra maquina est dada por:
A(Bs.) = 30Q (2000+20Q) = 10Q- 2000
B(Bs.) = 30Q (5000+10Q) = 20Q- 5000
Si consideramos como futuros nicos posibles los siguientes niveles de demanda:
F1 = 100 unidades F2 = 250 unidades F3 = 400 unidades
Podemos construir la matriz de ganancias:
F1 F2 F3
A1 (maq. A) -1000 500 2000
18
A2 (maq. B) -3000 0 3000
OPTIMISTA PESIMISTA
Modelo de decisin del pesimista.

La persona que toma decisiones y que es pesimista con respecto a los estados de la naturaleza o considera,
debido a inseguridad econmica, que debe evitar prdidas altas aun a riesgo de posiblemente perder altas
utilidades, se inclinara a utilizar el modelo de decisin que se conoce como modelo de decisin del pesimista. El
principal concepto en que se basa es evitar prdidas elevadas o inaceptables.
Modelo de decisin del optimista.

El tomador de decisiones que considera que el medio ambiente es propicio ser optimista con respecto al
resultado, en vez de ser pesimista. Bajo este supuesto, el tomador de decisiones determina el mayor pago para
cada alternativa y despus elige el mximo de stos.
La caracterstica principal de los problemas de decisin es ambiente de incertidumbre reside en el grado de

conocimiento que el decisor tiene en el entorno, es decir, del estado de la naturaleza. De ese estado el decidor
conoce sus posibles concreciones, pero no tiene ninguna informacin mas, por eso no es capaz de asociar a las
variables de estado una distribucin de probabilidad. Puesto que el decidor no puede objetivar la incertidumbre
presente en el problema de decisin, l ser el protagonista a la hora de resolver dicho problema, de forma que
sus mecanismos psicolgicos dan lugar a una serie de criterios de decisin.
En ambiente de incertidumbre, el criterio de decisin que se debe emplear depende de la hiptesis de
comportamiento psicolgico del decisor, y ser alguno de los siguientes:
Criterio de decisin de Wald MaxiMin (Pesimista)

Criterio de decisin de Mximax, (Optimista)
Criterio de decisin de Hurwicz (Realismo)
Criterio de decisin de Savage, MiniMax (Arrepentimiento,)
Criterio de decisin de Laplace (Promedio)
Estos criterios de decisin se basan en distintos supuestos de comportamiento psicolgico del decidor. Por tanto
no son objetivos ni subjetivos y por ello los resultados de aplicar uno u otro no son comparables entre ellos. La
diferencia principal entre estos criterios la refleja cuan conservador es el decisor al tratar las condiciones de
incertidumbre prevalecientes.
Criterio de dominacin simple
Este criterio permite dividir al conjunto de alternativas en dos subconjuntos:

- Conjunto de alternativas admisibles que no estn dominadas por ninguna otra.
- Conjunto de alternativas no admisibles, alternativas dominadas por alguna otra.
La alternativa ptima siempre debe pertenecer al conjunto de alternativas admisibles. De esta manera un criterio
en ambiente de incertidumbre ser valido si propone como alternativa ptima a una alternativa que no est
dominada simplemente.
Criterio de Wald.
19
Conocido como criterio pesimista. Fue sugerido por Abraham Wald y representa una filosofa pesimista para
alcanzar los resultados ( es un procedimiento extremadamente conservador para tomar decisiones)de una persona
que se siente completamente pesimista respecto a los resultados a obtener tras una decisin. Esta persona
comenzar a analizar el peor resultado que se pueda obtener para cada una de las alternativas es decir la mnima
ganancia que tendra cada alternativa para luego elegir la alternativa que tenga la compensacin mayor de entre
todas esas mnimas, es as que el decidor se asegura que el peor resultado que puede esperar es al menos el
mejor de todos los peores.
MAX ( MIN Xij) para ganancias

i j
En un problema de maximizacin lleva a elegir la alternativa que maximice la utilidad mnima obtenible
(maximin).
MIN ( MAX Xij) En la Matriz de Costos,
i j
En un problema de minimizacin lleva a elegir la alternativa que minimice el costo mximo obtenible
(minimax).
Ejemplo: Tomando en cuenta la matriz de ganancias resolver por el criterio de decisin de Wald.
De la matriz de ganancias se escoger la compensacin peor o mnima de cada una de las alternativas:
Compensacin peor o mnima (F1)

A1 (maq. A) -1000
A2 (maq. B) -3000
Luego se elegir la alternativa que tenga el mayor de entre todas las mnimas (la maximin), es decir mejor de los
peores resultados: Concretamente se elige la Alternativa 1 (A 1) cuando el futuro probable F1.
Criterio Optimista:
Estos criterios denotan un optimismo extremo para los resultados de una decisin. La regla es seleccionar la
alternativa que ofrece la oportunidad de obtener el mejor resultado.
Si una persona se siente completamente optimista respecto al resultado de una decisin que ha tomado significa
que espera que se presente el futuro que le depare mejor resultado para la alternativa que ha seleccionado por lo
tanto para tomar la decisin analizar el mejor resultado de cada alternativa y luego seleccionar la alternativa
que tenga el mejor resultado.
En un problema de maximizacin lleva a elegir la alternativa con el mximo de los resultados mximos
(maximax).
MXIMAX MAX ( MAX Xij) para ganancias

i j
En un problema de minimizacin lleva a elegir la alternativa con el mnimo de los resultados mnimos
(minimin).
MINIMIN MIN ( MIN Xij) para Cotos.

i j
Ejemplo: Tomando en cuenta la matriz de ganancias resolver por el criterio de decisin optimista
De la matriz de ganancias se escoger la mayor compensacin o los mximos valores de cada una de las
alternativas:
20
Compensacin mejor o mxima (F3)
A1 (maq. A) 2000
A2 (maq. B) 3000
Luego se elegir la alternativa que tenga el mayor de todas las compensaciones (el mximo de los mximos o
maximax), es decir, la Alternativa 2 (A2) en el futuro probable F3.
Criterio de Hurwicz: Leonor Hurwicz propuso un criterio que puede considerarse intermedio entre los 2
anteriores ( Supone una posicin intermedia entre los extremos de pesimismo y optimismo) Este criterio
distingue los resultados mximos y mnimos posibles de cada alternativa; hecho esto aplica el factor de
ponderacin llamado "ndice de optimismo relativo" o coeficiente de confianza, para llegar a la decisin
mediante el clculo de utilidades esperadas. Se basa en la consideracin de un coeficiente de optimismo
El ndice vara entre 0 y 1 (0 < < 1) para los casos intermedios;

= 0 para el caso ms pesimista ( criterio maximin )
= 1 para el caso ms optimista ( criterio maximax )
El criterio se aplica siguiendo la siguiente secuencia
1.- De la matriz de decisiones se seleccionan el mejor y el peor valor para cada alternativa, dando lugar a un
vector de ptimos y a otro de psimos.
2.- El vector de ptimos se afecta por el ndice y el vector de psimos por (1 - ).
Se debe calcular para cada alternativa H i de acuerdo a la siguiente relacin :

Hi 1 PeorX ij
MejorX ij
j j
3.- La suma de los vectores (de ptimos y psimos) ya ponderados, es el vector de valores esperados. La
alternativa seleccionada es aquella que corresponde al mximo valor esperado.

Hi 1 MejorX ij costos
PeorX ij

Donde;
i = N de alternativas
j = N de futuros
Ejemplo: Tomando en cuenta la matriz de ganancias resolver por el criterio de decisin de Hurwicz
cundo = 0,7 y = 0,2
De la matriz de ganancias se escoger las mejores o las mximas compensaciones y las peores o
mnimas compensaciones de cada alternativa, (negrilla y cursiva, respectivamente).
F1 F2 F3
A1 (maq. A) -1000 500 2000
A2 (maq. B) -3000 0 3000
21
Sea = 0,70 entonces:
H(A1) = 0,70 (2000) + 0,30 (-1000) = 1100
H(A2) = 0,70 (3000) + 0,30 (-3000) = 1200
Siguiendo con el criterio de Hurwicz, se elegir la alternativa A 2, que corresponde al mximo valor esperado.
Sea = 0,20 entonces:
H(A1) = 0,20 (2000) + 0,80 (-1000) = -400
H(A2) = 0,20 (3000) + 0,80 (-3000) = -1800
De la misma manera, se elegir la alternativa A 1, que corresponde al mximo valor esperado.
Criterio de Savage o Criterio de los costos de oportunidad
( la perdida que el decidor por no haber elegido la mejor alternativa propone un enfoque completamente distinto
considera el caso de aquellas personas que al enfrentarse con un problema de decisin y elegir una de las
alternativas posibles y cuando posteriormente se entera de los realmente acontecido tiende a lamentarse por no
haber elegido la alternativa ptima, este criterio considera un buen ndice del grado de insatisfaccin esta dado
por la diferencia existente entre la compensacin que realmente decidi y la que le habra correspondido si
hubiera sabido con anticipacin el futuro que haba de producirse.
El criterio de Savage es el siguiente:
1.- Formar la matriz de arrepentimientos o de costo de oportunidad. A cada estado natural se determina el mejor
valor para ese estado natural. A cada estado natural le corresponde una columna en la matriz de decisiones. En
cada columna se determina el mejor valor para ese estado natural y se sustituye por un cero; esto significa que si
ocurre ese estado natural y escogimos la alternativa que le corresponde a ese valor ptimo, nuestro
arrepentimiento ser nulo. En sustitucin de los valores del resto de la columna, se escribir la diferencia entre el
resultado ptimo y los dems resultados; esta diferencia es el costo de oportunidad o arrepentimiento por no
haber escogido la alternativa que diera el valor ptimo. En sntesis
El Costo de Oportunidad COij es la diferencia entre el pago Xij correspondiente a la mejor alternativa y el pago
Xij correspondiente a una determinada alternativa. En el caso de una matriz de ganancias:
COij = [mximo Xij - Xij ]
El Costo de Oportunidad COij es la diferencia entre el pago Xij y el pago Xij correspondiente a la mejor
alternativa de una determinada alternativa. En el caso de una matriz de costos:
COij = [Xij mnimo Xij ]
La matriz as formada se conoce como: matriz de arrepentimientos, de costos de oportunidad o prdida de

oportunidad.
2.- Una vez formada la matriz de prdida de oportunidad, Savage aconseja escoger la estrategia que corresponde
al mnimo de los arrepentimientos mximos, es decir, se aplica la regla mnimax.
Ejemplo: Tomando en cuenta la matriz de ganancias resolver por el criterio de decisin de Savage.
22
Siguiendo los pasos indicados, la matriz de arrepentimiento se empezara a formar eligiendo los
mejores valores de cada estado de la naturaleza:
F1 F2 F3
A1 (maq. A) -1000 500 2000
A2 (maq. B) -3000 0 3000
Estos mejores valores sern disminuidos por cada valor del elemento, es decir El Costo de Oportunidad COij es
la diferencia entre el pago Xij correspondiente a la mejor alternativa y el pago Xij correspondiente a una
determinada alternativa .
COij = [mximo Xij - Xij ]
La matriz se vera as:
F1 F2 F3
A1 (maq. A) - 1000 ( - 1000) 500 - 500 3000 - 2000
A2 (maq. B) - 1000 ( - 3000) 500 - 0 3000 - 3000
Finalmente la matriz de arrepentimientos sera la siguiente
F1 F2 F3
A1 (maq. A) 0 0 1000
A2 (maq. B) 2000 500 0
Luego escogeremos los arrepentimientos mximos de cada alternativa que son:.
Arrepentimientos mximos
A1 (maq. A) 1000
A2 (maq. B) 2000
Siguiendo con el criterio de Savage se elegir el minimo valor de los arrepentimientos mximos, siendo el valor
mnimo aquel que apunta a la alternativa 1, la cual resulta seleccionada como la mejor.
Criterio de Laplace: Llamado tambin criterio de racionalidad o de las equiprobabilidades El criterio de Pierre
Laplace parte del hecho de que no se conocen las probabilidades e indica que puesto que no se conocen las
probabilidades de los distintos futuros posibles ni an la importancia de cada una de ella es dable suponer que
todos estos futuros son equivalentes en lo que a sus probabilidades de aparicin se refieren en otras palabras si
hay n futuros posibles la probabilidad de ocurrencia de cada uno de ellos es Y n con lo cual el problema de
decisin bajo condiciones de incertidumbre se cambia o pasa hacer un problema de decisin bajo condiciones de
riesgo por lo tanto la solucin se puede encarar a travs del valor monetario esperado. El procedimiento del
criterio de Laplace interpreta el estado de incertidumbre como equivalente a suponer que todos los estados de
la naturaleza son igualmente probables. Este punto de vista podra resumirse como si nada s, entonces todo es
igualmente posible Como ahora ya se cuenta con informacin de la probabilidad de ocurrencia, se calcula la
esperanza matemtica asociada a cada alternativa y por ltimo se selecciona aquella alternativa que corresponda
al mximo valor monetario esperado.
23
Esto se puede expresar as: P(E)=1/n ; donde n es el nmero de estados naturales.
Alternativa elegida VE =MAXIMO ( P(E)Xij )
Con lo cual el problema de decisin en condiciones de incertidumbre pasa a ser en condiciones de riesgo.
Ejemplo: Tomando en cuenta la matriz de ganancias resolver por el criterio de decisin de Laplace.
F1 F2 F3
A1 (maq. A) -1000 500 2000
A2 (maq. B) -3000 0 3000
De acuerdo con los pasos del criterio de Laplace:
Encontraremos la probabilidad que ser la misma para cada uno de los estados de naturaleza, siendo el nmero
de Estados de la naturaleza 3 (Futuras demandas), las probabilidades de cada uno son 0.33, por lo que su valor
esperado de cada alternativa es:
VE(A1) = 0.33 (-1000) + 0.33 (500) + 0.33 (2000) = -330 + 165 + 660 = 495
VE(A2) = 0.33 (-3000) + 0.33 ( 0 ) + 0.33(3000) = -990 + 0 + 990= 0
Por ltimo se elige el valor mximo esperado, que es la alternativa A 1.
Criterio del Valor Esperado

Se busca maximizar el beneficio esperado (o minimizar el costo esperado). Se supone que el procedimiento de
decisin se repite un nmero suficientemente grande de veces. La esperanza implica que la misma decisin
debera repetirse un nmero suficientemente grande de veces antes de obtener el valor neto calculado por la
frmula de esperanza.
Si X es ganancia : Seleccionar la alternativa de valor Mx xf(x)

Si X es prdida : Seleccionar la alternativa de valor Mn xf(x)
Limitaciones del Valor Esperado

Si las consecuencias de un resultado potencialmente desfavorable pueden sobrellevarse sin mayores sobresaltos,
el VE es un criterio razonable para la accin.
Cuando las consecuencias de un resultado potencialmente desfavorable no pueden ignorarse (cuando se ponen en
juego grandes sumas de dinero en trminos relativos), el VE puede no ser el mejor criterio de decisin.
Problema
Un escritor de una novela tiene la opcin de publicar su propia novela o a travs de una editorial editor. El editor
le ofrece 20.000 dlares por la firma del contrato ms un dlar por ejemplar vendido. Si la novela tiene xito, se
vendern 200.000 ejemplares. Si no tiene xito, slo vender 10.000. Si el autor publica su novela incurre en un
coste inicial de 90.000 dlares por impresin y mercadotecnia, pero cada ejemplar vendido le produce dos
dlares.
a) Segn la informacin dada aceptar el autor de la novela la oferta del editor? o lo publicar por su
cuenta?
SOLUCIN:
Elementos del problema:
- Decisor: el autor de la novela
24
- Alternativas: A1 = Publicar la novela a travs de una editorial
A2 = Publicar el mismo
- Estados de Naturaleza: F1 = Que la novela tenga xito
F2 = Que la novela no tenga xito
- Matriz de Resultados
F1 F2
A1 220 30
A2 310 -70
a) En el nivel de informacin que inicialmente tiene el decisor estamos en ambiente de incertidumbre, ya

que a cada alternativa le corresponden dos resultados y no conocemos su distribucin de probabilidad.
Como no conocemos la postura psicolgica del decisor frente al problema, aplicaremos los cinco
criterios de incertidumbre:
Si el autor de la novela es optimista asocia a cada alternativa el mayor resultado y de estos elige el mayor
F1 F2 Optimista
A1 220 30 220
A2 310 -70 310 El Mximax

ser
La alternativa ptima, segn el criterio optimista, es publicar la novela el mismo.
De acuerdo con el supuesto de comportamiento pesimista o prudente el decisor asocia a cada alternativa el
menor resultado y de stos opta por el mayor:
F1 F2 Wald o Maximin
A1 220 30 30 El Mximin
ser
A2 310 -70 - 70
Si el autor de la novela es pesimista publicar su novela con la editorial
3. Calculo Criterio intermedio

Criterio de Hurwicz
Si el decisor tiene un comportamiento intermedio entre los postulados en los dos criterio anteriores siendo capaz
de cuantificar su grado de pesimismo mediante un coeficiente entonces:
F1 F2 Optimista Wald H = (Mejor Xij) + (1- ) (Peor Xij)

A1 220 30 220 30 30+190
A2 310 -70 310 --70 -70+380
25
Como no conocemos el coeficiente de optimismo del decisor resolvemos grficamente para todos los posibles
valores de (entre 0 y 1)
400
H2
300
H1
200
100
0

0
1
-100
Buscamos el punto de corte entre ambas rectas

30 + 190 = -70 + 380
190 - 380 = -70-30
190 = -100 //(-1)
100

190
= 0,526316
Para todo tal que 0 0,526316 La alternativa ptima es la A2

Para todo tal que 0,526316 1 la alternativa ptima es la A1
4. Calculo Criterio de Laplace
Si el autor del libro, en situacin de mxima incertidumbre sobre el posible xito de la novela, aplica el
principio de indiferencia, asociando probabilidad de a cada estado de la naturaleza y aplicando el criterio del
valor medio tenemos:
1 1
E ( A1 ) 220 30 125
2 2
1 1
E ( A2 ) 310 70 120
2 2
P1= 0,50 P2= 0,50
F1 F2 La Place (VE)
El Mximin
A1 220 30 125 ser
A2 310 -70 120
Optar por la alternativa A1 ya que tiene el mayor resultado esperado.
5. Criterio de Savage
Si el decisor mide la consecuencia de la decisin errnea mediante el coste de oportunidad:
F1 F2 Costes de oportunidad Valor Mximo

A1 220 30 90 0 90
26
El Minimax
A2 310 -70 0 100 100
Aplicando el criterio de Savage, la alternativa ptima es A1 ya que tiene asociado el menor de los mayores costes
de oportunidad o el menor arrepentimiento.
BIBLIOGRAFIA
Mtodos de Decisin Garca Aguado

Tcnicas cuantitativas Eduardo C. Dresdner
Mtodos Cuantitativos para los negocios Anderson, Sweeney, Williams
Investigacin de Operaciones aplicadas a las Ciencias Administrativas Eppen
http://www.eumed.net/cursecon/juegos/maximin.htm
http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/hurwicz.htm
TEOREMA BAYESIANO DE DECISIONES

(BOLO 6)MODIFICADO
1.-INTRODUCCIN.-
En el contexto del trabajo de configuracin de sistemas, una decisin es un acto de seleccin racional entre
alternativas.
La base de una decisin se encuentra en la informacin que permite comparar el atractivo o utilidad de
alternativas para el sujeto de decisin, o para el sistema que delega en l la decisin. Se estructura as una
delimitacin del campo observado restringido a lo considerado como relevante para el logro de las metas que
han sido definidas previamente.
Aqu debe tenerse en cuenta que una decisin no slo supone una eleccin entre alternativas sino tambin
implica un proceso de auto-observacin en que el agente de decisin toma conciencia de cmo se orienta l
mismo segn determinados valores, y cmo se liga tambin l, o el sistema sobre el que tiene competencias (en
el mbito de la poltica, sern competencias legitimadas por las reglas del juego democrtico). Asimismo hay
que considerar que decisin como eleccin presupone una pre-definicin del horizonte en que aparecen como
plausibles estas o aquellas alternativas. Y esa previa definicin puede ser o resultado de una decisin anterior
(como sucede con actuales alternativas de implementacin para lo planificado anteriormente) o imponerse como
un marco y premisa de decisin que no es decidible. Este tipo de premisas de decisin no-decibles constituye la
dimensin ms importante (para la comprensin de la planificacin y organizacin) de lo que hoy denominamos
Culturas corporativas.
Como tcnicas de decisin se emplean las que permiten estructurar el problema de la decisin en referencia a
un modelo de la situacin de decisin. Adems se considera que estas tcnicas deben posibilitar un anlisis de
sensitividad ante posibles variaciones de la situacin de decisin.
La probabilidad de conseguir una decisin adecuada se considera crecer con el nivel de informaciones sobre las
alternativas, que permitir a su vez una mejor estructuracin de la situacin.
2. ANALISIS DE DECISIONES CONCEPTOS GENERALES :

Decisin: El proceso de elegir la solucin para un problema suponiendo que existen varias alternativas.
27
Estudiaremos dos formas para decisiones bajo incertidumbre:
Toma de decisiones sin experimentacin
Toma de decisiones con experimentacin
2.1. TOMA DE DECISIONES SIN EXPERIMENTACIN

El tomador de decisiones necesita elegir una de las alternativas posibles.
La naturaleza elegir uno de los estados de la naturaleza.
Cada combinacin de una accin y un estado de la naturaleza da como resultado un pago, que se da por
medio de una tabla de pagos.
La tabla de pagos se usa para encontrar una accin ptima para el tomador de decisiones segn un criterio
adecuado.
El tomador de decisiones elige su estrategia para promover su propio beneficio. Por el contrario la naturaleza es
un jugador pasivo que elige sus estrategias de manera aleatoria.
El tomador de decisiones tiene informacin para tener en cuenta sobre la posibilidad de los estados de la
naturaleza. Esta informacin se traduce en una distribucin de probabilidad. El estado de la naturaleza es una
variable aleatoria (distribucin a priori).
A PRIORI:
Iindependiente de la experiencia, es decir, que sta supone pero no puede explicar, aunque sea necesario a la
posibilidad de la experiencia; a priori no designa, pues, una anterioridad psicolgica, sino una anterioridad
lgica o de validez.
28
En la filosofa escolstica, [razonamiento] que desciende de la causa al efecto, o de la esencia de una cosa a sus
propiedades.
A POSTERIORI
Que proviene o depende de la experiencia.
En la filosofa escolstica, [razonamiento] que asciende del efecto a la causa o de las propiedades de una cosa a
su esencia.
2.2. TOMA DE DECISIONES CON EXPERIMENTACIN

Antes de realizar cualquier experimento, debe determinarse su valor potencial. Veremos dos mtodos para
evaluar este potencial, a saber:
Valor esperado de la informacin perfecta.

Valor esperado de la experimentacin.
En la teora de la racionalidad econmica se considera que la decisin perfecta slo podr tomarse cuando exista
tambin una informacin perfecta.
Ahora bien, en la praxis nunca se poseer una informacin perfecta o casi nunca. Esto implica que en estas
decisiones deba contarse con la posibilidad de haber partido de una base insegura o falsa de informaciones lo que
puede acarrear un perjuicio. La situacin de toma de este tipo de decisiones se denomina situacin de riesgo.
3.-PROBABILIDAD CONDICIONAL
Definicin de Probabilidad Condicional: Para dos eventos cualesquiera A y B en un espacio muestra S, tales
que P(A) > 0 con P(A) = 0, la probabilidad del evento B dado el evento A, se define por .
El concepto de probabilidad condicional: es muy sencillo. Est basado en una situacin particular que
podemos resumir como sigue: probabilidad de ocurrencia de un evento en un escenario muy particular
3.1. REGLA DE MULTIPLICACIN.-

La definicin de probabilidad, relaciona todo el espacio muestral y utilizaremos el smbolo P[A] para denotar
la probabilidad de estos eventos; tambin se puede usar el smbolo P[A/ ], que se lee La probabilidad del
evento A dado que ha ocurrido . Frecuentemente estaremos interesados en obtener la probabilidad de un
evento, donde dicho evento esta condicionado a la ocurrencia de un subconjunto del espacio muestral. Es decir,
se da que el evento B ha ocurrido, y se quiere saber la probabilidad que ocurra el evento A.
Evidentemente, la probabilidad de un evento A es diferente cuando tenemos la informacin que ha ocurrido un
subconjunto B de .
Se dice que ya ha ocurrido B, entonces, se tiene que el espacio muestral . Sea restringido al sub conjunto B.
Pues se sabe que no ha ocurrido todo suceso que

pertenece a B Por lo tanto seria razonable definir la

probabilidad del evento A dado que ha ocurrido B,
denotado por P[A/ B], tal como sugiere la figura (parte
sombreada), igual a la razn del rea AB al rea B
visualizamos como probabilidades.
P A B
P A / B
P B
Si P[ B] >0
As, P[A/ ] se puede escribir ahora
29
P A
P A / P A
P
4. TEOREMA DE BAYES
El teorema de Bayes, publicacin pstuma del genial Thomas Bayes en 1763, que en esencia nos permite, si
conocemos la probabilidad de que ocurra un suceso, modificar su valor cuando disponemos de nueva
informacin. Vamos a describir el teorema descrito por Thomas Bayes.
Antes de seguir, conviene recordar un poco la terminologa y refrescar el teorema de Bayes.
Vamos a llamar:
1. P(A) a la probabilidad de que ocurra el suceso A.

2. P(A.B) a la probabilidad de que ocurran los sucesos A y B (ambos).
3. P(A / B) a la probabilidad de que ocurra A cuando sabemos que ha ocurrido B (se denomina probabilidad
condicionada).
La probabilidad de que ocurra A y B es igual a la probabilidad de B multiplicada por la probabilidad de A
condicionada a que haya ocurrido B. Pudiendo expresarlo segn la siguiente frmula.
P(A.B) = P(B) x P(A / B) = P(A) x P(B / A)
Por simetra es obvio que se cumple la tercera igualdad.
Si tenemos un conjunto de posibles sucesos Ai (A1 ... An), mutuamente excluyentes (es decir no puede ocurrir
dos de ellos a la vez) y que esto sucesos constituyen todas las posibles situaciones (esto lo podemos expresar
tambin en la siguiente frmula P(A1)+P(A2)+...+P(An)=1, de tal manera que cuando ocurra alguno de los
sucesos A tiene probabilidad 1, esto concepto se denomina en la estadstica bayesiana suceso seguro).
Esta teora se expresa grficamente en la figura siguiente. El cuadrado en este caso representa a todas las
situaciones posibles, que en nuestro ejemplo lo dividimos en tres: A1, A2, A3. Por tanto como observamos el
suceso B se puede producir en cualquiera de las tres situaciones.
Si reescribimos ahora la anterior ecuacin del prrafo anterior, por ejemplo para A1 tenemos
P(A1.B)=P(A1/B) x P(B) = P(B/A1) x P(A1)
Si aplicamos a esta frmula un poco de lgebra elemental tenemos:
Esta frmula constituye el famoso teorema de Bayes del cual deriva la estadstica bayesiana. Para cualquiera de
las otras situaciones (A2,A3) la frmula es similar.
30
4.1. REGLA DE DECISIN DE BAYES SIN EXPERIMENTACIN
Usando las mejores estimaciones disponibles de las probabilidades de los respectivos estados de la naturaleza
(en este caso las probabilidades a priori), se calcula el valor esperado del pago de cada accin posible. Se elige la
accin con mximo pago esperado.
La mayor ventaja de este criterio es que incorpora toda la informacin disponible (pagos, estimaciones de las
probabilidades de los estados de la naturaleza).
La mayor crtica es que las probabilidades a priori no dejan de ser subjetivas.
5.- DIFERENCIA ENTRE MATRIZ DE DECISIONES Y ARBOL DE DECISIONES.-

La diferencia entre matriz de decisiones y rbol de decisiones es que la matriz de decisin ayuda a tomar
decisiones en entornos de alta incertidumbre y el rbol de decisiones es un instrumento que ayuda al
anlisis de una situacin de decisin con un modelo en que se han seleccionado alternativas, situaciones y
utilidades,
5.1. MATRIZ DE DECISIN

La matriz de decisiones es un instrumento de apoyo al proceso de elaboracin y seleccin de las estrategias, que
sirve para evaluar y priorizar una lista de opciones estratgicas.
Es decir, para asignar un valor a cada una de ellas y, luego, decidir su importancia relativa y, en consecuencia,
disponer de un esquema cuantitativo para la toma de decisin final.
La gran ventaja de la matriz de decisiones es que permite tomar decisiones de manera objetiva, basadas en un
sistema de valoracin, en vez de confiar nicamente en la intuicin o la visin subjetiva de una persona o de los
integrantes de un grupo.
Para aplicar la matriz de decisin el primer paso consiste en seleccionar el conjunto de criterios con los que se
evaluarn las opciones estratgicas planteadas. Esos criterios podran ser, segn sea el caso que se est
analizando, por ejemplo, efectividad en el logro del objetivo, viabilidad, coste, tiempo requerido, retorno de la
inversin, etctera.
5.1.1. ESTRUCTURA DE LA MATRIZ

La informacin utilizada al tomar decisiones con incertidumbre, se resume en una Matriz :
F1 F2 ...... Fn
P1 P2 . Pn
a1 r(a1, f1) r(a1, f2) ...... r(a1, fn)
a2 r(a2, f1) r(a2, f2) ...... r(a2, fn)

..... ..................................................
am f(am, f1) r(am, f2) ...... r(am, fn)
Donde :
ai (i = 1,2,....,m): Representan las acciones posibles
Una accin representa una decisin posible
Fj (j = 1,2,...n) : Representan los estados futuros posibles
Son los eventos futuros inciertos
r(ai, fj) : Representa el resultado asociado a cada accin y
Estado futuro; el cual puede ser una ganancia o prdida; resultado
de tomar la i-sima accin cuando ocurre el j-simo estado.
P(p1pn): Representa las probabilidades de cada futuro.
Toda eleccin de una alternativa de accin excluye otras y tiene resultados o provoca consecuencias muy
distintas en situaciones ms o menos probables. La matriz de decisin ayuda a tomar decisiones en entornos de
alta incertidumbre. Su preparacin se asemeja a la de la aplicacin del valor til.
El modelo bsico de la matriz de resultados es:

Estados del entorno Situaciones
31
Situacin (a) Situacin (b) Situacin (c )
Probabilidad s1 Probabilidad s2 Probabilidad s3
A1 Utilidad (1,a) Utilidad (1,b) Utilidad (1,c)
Alternativas de A 2 Utilidad (2,a) Utilidad (2,b) Utilidad (2,c)
Intervencin A3 Utilidad (3,a) Utilidad (3,b) Utilidad (3,c)
En la situacin de decisin se distinguen, como elementos ms relevantes:
Las alternativas de solucin de un problema

Las distintas constelaciones de circunstancias que configuran una situacin
La probabilidad de cada situacin
Las consecuencias o resultados previsibles de la realizacin de las alternativas de accin en las distintas
situaciones que en la matriz designamos como Utilidades (positivas o negativas).
La matriz de decisin se configura as como una matriz de resultados, una matriz de utilidades y una matriz
final: a los resultados de cada alternativa de decisin en una situacin dada (resultados descritos
cualitativamente) se hace corresponder un valor til cuantificado.
Ejemplo:
Organizar una reunin de directivos, a la que seguir la tpica copa y tapas. Hay dos alternativas: celebrarla en el
comedor de la empresa, o en parking y jardn. Las situaciones probables son: llover o sol.
Matriz de resultados
Lluvia Sol
A 1: comedor Estrecho, pero con ambiente, Ligero malestar,
vendran unos 80 previsiblemente unos 30
A 2: parking y jardn Catastrfico, no quedaran Esplndido, unos 60
sino 3 4
Matriz de utilidades
Lluvia Sol
A 1: comedor 6 puntos 2 puntos
A 2: parking y jardn 0 puntos 8 puntos
Matriz de decisin
Lluvia / prob.= Sol / prob. = 0,7 total
0,3
A 1: comedor 6 x 0,3 = 1,8 2 x 0,7 = 1,4 3,2
A 2: parking y jardn 0 x =,3 = =0,0 8 x 0,7 = 5,6 5,6
La suma de los productos de valor til y probabilidad da un valor estimado de cada alternativa, valor que puede
ser tomado como base de la decisin. En el ejemplo se toma la decisin de celebrar la reunin al aire libre.
4.-ARBOL DE DECISIONES .-
4.1. Definicin de un rbol de Decisiones ;
El proceso Bayesiano de decisin, con o sin experimentacin , puede representarse o resolverse grficamente a
travs de los llamados rboles de decisin .
32
Un rbol de decisin es una representacin grfica de las alternativas, resultados, probabilidades y ganancias
asociadas con un problema de decisin.
Es una manera de visualizar un problema de decisin mediante un esquema de rbol. Su objetivo es facilitar
la comprensin del problema y los clculos.
El rbol de decisin es el modelo de una situacin de decisin y, como todos los modelos, abstrae y simplifica
el problema real. Slo se incluyen las decisiones y los sucesos importantes.
Tambin se requiere el juicio, no slo para determinar lo que hay que incluir, sino tambin para la evaluacin
de probabilidades.
Al dibujar un rbol de decisin hay que observar ciertas reglas:
Definir el problema.
Disear el rbol de decisin.
Las ramas que parten de un nodo cualquiera deben ser del mismo tipo lgico, sean sucesos o
alternativas (eventos u opciones), pero nunca una combinacin mezcla de ambos.
Asignar probabilidades a las condiciones naturales, los eventos asociados con las ramas provenientes de
un nodo de evento deben ser mutuamente excluyentes y todos los eventos deben ser incluidos, de modo
que la suma de probabilidades sea igual a uno.
Estimar los resultados para cada combinacin posible de alternativas y condiciones naturales.
Resolver el problema computando los valores monetarios esperados para cada punto de condiciones
naturales
Por lo general es til desarrollar el rbol de decisin en secuencia cronolgica, para que se mantenga el orden
adecuado de los eventos y las decisiones.
Los rboles de decisin contempla dos etapas:

a) Diseo
b) Solucin
Para analizar un rbol de decisin se comienza por el final del rbol y se trabaja haca atrs , as como el diseo
se hace cronolgicamente de izquierda a derecha, la solucin en sentido contrario.
Una caracterstica de los rboles de decisin es que a medida que el problema de decisin se vuelve ms
complejo, el rbol de decisin se vuelve ms valioso para organizar la informacin necesaria para tomar la
decisin y adems es muy til ya que por medio de este grfico se expresan en orden cronolgico las acciones
disponibles al decisor y los eventos aleatorios asociados a los estados de la naturaleza. Las primeras se
presentan en el rbol por medio de un cuadrado, el segundo por un crculo.
4.2 Ventajas de un rbol de decisin :
* Resume los ejemplos de partida, permitiendo la clasificacin de nuevos casos siempre y cuando no existan
modificaciones sustanciales en las condiciones bajo las cuales se generaron los ejemplos que sirvieron para su
construccin.
*Facilita la interpretacin de la decisin adoptada.
* Proporciona un alto grado de comprensin del conocimiento utilizado en la toma de decisiones.
*Explica el comportamiento respecto a una determinada tarea de decisin.
*Reduce el numero de variables independientes.
* Es una magnifica herramienta para el control de la gestin empresarial.
4.2. Simbologa de un rbol de Decisiones.-
La simbologa que utilizamos en el rbol de decisiones son los siguientes:
33
Nodo de decisin : Cuadrado de un rbol de decisiones que
representa un punto en el tiempo en el cual
se toma la decisin.
Nodo de probabilidad: Crculo de un rbol de decisiones que

representa un punto en el tiempo del
cual derivan los resultados inciertos,es
decir evento de probabilidades,eventos
aleatorios.
Resultados : Son lneas conectadas que indican que
los resultados no son ptimos , por lo
tanto el resultado no debe seguirse.
Nodos terminales : Tambin son crculos que provienen de los

nodos de probabilidad que se encuentran al
final de un rbol de decisiones que
representan los resultados finales( despus
que se tom la ltima decisin, en algunos
casos tambin son tringulos.
6.4. Estados Naturales de un rbol de Decisiones.-
Los estados naturales son aquellas oportunidades de ocurrencia de un suceso o evento que provienen de una
alternativa de decisin.
En general, un problema de decisin puede incluir n estados de naturaleza y m alternativas. Si p j (>0) es la
probabilidad de ocurrencia para el estado de naturaleza j y a ij es el resultado de la alternativa i dado el estado
de la naturaleza j (i=1,2,m;
j = 1,2,,n), entonces el resultado esperado para la alternativa i se calcula como
n
EVi ai1 p1 ai 2 p2 ...... ain pn , EVi ai Pn
i 1
donde por definicin, p1+p2+...pn = 1

6.5. Resultados de un rbol de Decisiones .-
Los resultados sern de acuerdo a La mejor alternativa ya que esta puede estar asociada con :
EV*i = maxi {EVi } o EV*i = mini {EVi}
Dependiendo respectivamente del Problema, si el resultado del problema representa una utilidad (ingreso) o
una prdida (gasto), etc.
Un rbol de decisin se analiza a partir del Valor Esperado para cada nodo de evento (evento nodal), y elegir la
opcin con la utilidad ms alta para los nodos de decisin, comenzando en el extremo del rbol y desplazndose
hacia atrs es decir haca su origen.
Ejemplo :
Pedro Pataquiva Piraquive es el fundador y presidente de la compaa maderera La Cafetera, una lucrativa
firma situada en Manizales (Caldas).
El problema que La Cafetera enfrenta, est en la expansin de su lnea de productos por la manufactura y el
mercadeo de un nuevo producto, que se debe almacenar en el patio interior del galpn. Puesto que en este caso la
Cafetera quiere maximizar su utilidad, la Compaa tiene evaluado el potencial de la utilidad, asociado al costo
de diferentes resultados.
Recordemos queLa Cafetera, estaba tratando de tomar una decisin para expandir sus operaciones
construyendo una planta nueva de almacenamiento.
Obsrvese que en el rbol se presenta la decisin y resultados en un orden secuencial.
34
Con un mercado favorable, l piensa en una facilidad duradera con un resultado neto de $ 200.000 hasta
su estabilidad, esos $200.000 son un valor condicional porque el dinero recibido por la empresa sobre el
edificio de la industria es condicional si tiene un buen mercado.El valor condicional del mercado es
desfavorable si hay una prdida neta de $180.000, una pequea planta resulta con una utilidad neta de $
100.000 en un mercado favorable, pero una prdida neta de $20.000 ocurre si el mercado es desfavorable.
Finalmente, ninguna accin resulta en una utilidad de $ 0 en uno u otro mercado(mostrado en la tabla
siguiente,suponga que la Cafetera ahora cree que la probabilidad de un mercado favorable es exactamente
la misma, como la probabilidad de un mercado no favorable, que es cada estado de naturaleza con una
oportunidad de 0.50).
La Cafetera, entonces decide si construye una planta grande, pequea o no la construye. Una vez que la
decisin es tomada, los posibles resultados (favorable y desfavorable mercado ) podrn ocurrir.TABLA DE
DECISIONES CON PROBABILIDADES
ESTADO DE NATURALEZA
MERCADO MERCADO NO EMV
0
FAVORABLE FAVORABLE CALCULADO
ALTERNATIVAS ($) ($) ($)
Planta grande 200.000 -180.000 10.000

Planta pequea 100.000 -20.000 40.000
No construye 0 0 0
PROBABILIDADES 0.50 0.50 0
VALOR MONETARIO ESPERADO (EMV); los clculos son:

=(.50) ($200.000) + (.50) (-$180.000)
EMV (Planta grande )
= $10.000
= (.50) ($100.000) + (.50) (-$20.000)
EMV (Planta pequea )
= $40.000
= (.50) ($0) + (.50) ($0)
EMV (no construye)
=$0
Por medio del rbol de decisin completo y resuelto para la Cafetera se puede observar que los gastos
estn ubicados al lado derecho de las ramas del rbol.Las probabilidades ( usadas por la Cafetera ) son
ubicados en parntesis al lado de cada condicin natural. Los valores monetarios esperados para cada
condicin natural son despus calculados y ubicados en sus respectivos puntos El valor monetario
esperado para el primer punto es $10.000.Estos representan las ramas de los puntos de decisin para
construir una planta grande. El valor monetario esperado, para construir una planta pequea $40.000.
No construir una planta o no hacer nada, por

supuesto el gasto es 0.El brazo que tiene el
punto con el ms alto valor monetario esperado
debera ser escogido.En el caso de la Cafetera,
a una planta pequea debe ser construida.
35
PROBABILIDAD
CONDICIONAL
El resto de las probabilidades
muestra en parntesis en la
segunda figura que son probabilidades condicionales.Por ejemplo,0.78 es la probabilidad de un mercado
favorable dado que el cubrimiento da un resultado favorable del estudio del mercado, por supuesto, usted
esperara encontrar una probabilidad alta de un mercado favorable dado que la bsqueda indic que el mercado
es bueno.No olvidemos, sin embargo que hay un chance de que los $ 10.000 de la Cafetera del estudio del
mercado no resulta de una perfecta o tal vez confiable informacin.Cualquier investigacin del estudio del
mercado est sujeta a error.En este caso, hay un 22 % de chance que el resultado del estudio es positivo.
Notamos que hay un 27% de chance que el mercado por cubrimientos no sea favorable dado que el estudio de
Amazonas result ser negativo.La probabilidad es ms alta, del 0.73% que el mercado sea desfavorable dado que
el estudio sea negativo.
Finalmente, cuando miramos a la columna de pagos que debe hacerse en la segunda figura vemos que los
$10.000, el costo del estudio del mercado debe ser sustrado a cada uno de los brazos del rbol.De este modo,
una planta larga con un mercado favorable normalmente da un neto de $200.000 de ganancia.Pero a causa de que
el estudio del mercado fue conducido, esta figura es reducida de $10.000 a $190.000.En el casodesfavorable, la
prdida de $180.000 se incrementara a $190.000.Similarmente, conduciendo la inspeccin y construccin de
ninguna planta ahora resulta en $10.000 de pago que se debe hacer o liquidar.
Con todas las probabilidades y liquidaciones especificadas podemos empezar a calcular el valor monetario
esperado de cada uno de los brazos.Empezamos desde el lado final al lado de la mano derecha del rbol de
decisin y nos devolvemos hasta el origen.Cuando terminamos, la mejor decisin ser conocida.
1. Dando favorables resultados de inspeccin.
EMV ( nodo 2 ) = EMV ( planta larga / supervisin positiva).
= ( .78) ( $190.000 )+(0.22 )( - $190.000 ).
= $ 106.400
36
EMV ( planta pequea / supervisin
EMV ( nodo 3 ) =
positiva ).
= ( .78 ) ( $ 90.000 )+( 0.22 ) ( - $ 30.000 ).
= $ 63.500
El EMV de no hacer la planta es este caso es de- $ 10.000.Casi el resultado de supervisin es favorable, una
planta larga debe ser construida.
5 .MAPA DECISIONAL .-
5.1. Definicin;
Tiene una estrecha relacin con lo que es tabla de decisin , donde en la situacin de decisin, no slo hay que
considerar las situaciones-entorno, sino tambin las condiciones a que estara ligada la eleccin (Si - entonces
- ).
El mapa decisional es aquel camino optimo que llevar al decidor a un resultado satisfactorio y las Tablas
de Decisin ayudan en estas situaciones en que las acciones o intervenciones dependen, siempre en la misma
forma, de ciertas condiciones.
La Tabla de Decisin es una simple representacin de las reglas que pueden servir de ayuda a la decisin-
eleccin entre posibles alternativas y en distintas situaciones. Presupone una clara ordenacin entre las acciones
y las condiciones bien definidas.
La estructura de la tabla es la siguiente:
Identificador tablas Identificador reglas decisin
Identificacin de C1 Condiciones Signos Parte:
condiciones (si...) cumplimiento condiciones
C2 etc.
Identificacin de A1 Acciones Signos acciones Parte: acciones
acciones (entonces...)
A2 etc.
37
Texto descripcin Reglas
Ejemplo sobre sistema de transportes

Reglas R1 R2 R3 R4
C1 Accesible por carretera SI SI NO NO
C2 Accesible por ferrocarril SI NO SI NO
A1 Viaje en auto X X
A2 Viaje en tren X X
A3 Viaje en avin X
Estas tablas no son utilizables cuando hay muchas variables o condiciones; llevara demasiado tiempo
prepararlas. Sin embargo, al visualizar las relaciones entre condiciones y acciones ayudarn en muchos
anlisis de situacin y organizacin.
Cabe mencionar que cualquier problema que pueda ser presentado en una tabla de decisin, tambin puede ser
ilustrado grficamente en un rbol de decisin.
5.- APLICACIN DEL CRITERIO DEL VALOR MS ESPERADO.-
El criterio del valor ms esperado propone asociar a cada alternativa un nico valor real que resume el conjunto
de resultados asociados a dicha alternativa segn sus respectivas probabilidades de ocurrencia. Dicho valor ser
calculado como el valor medio o esperanza matemtica de esos resultados:
- Si la variable de estado E es discreta, ser de la forma: E E1 ,..., E j ,..., E m ,... y la distribucin
de probabilidad asociada a esa variable vendr dada por:
P p1 ,..., p j ,..., p m ,... , con p j 0,1 j y p j 1

j
Los resultados de cada alternativa Ai sern ri1 ,..., rij ,..., rim ,... y el nmero real que
asociamos a esa alternativa vendr dado por:
Ai VMEi E Ai p j 1
j
- Si la variable de estado E es continua, ser de la forma E E j jJ , con J continuo, y la distribucin de

probabilidad asociada a esta variable vendr dada por f f E j , con:
f E j 0 j y
jJ
f E j 1
Los resultados de cada alternativa Ai sern una funcin de la forma Ri E j y el nmero real que
asociamos a esa alternativa vendr dado por:
Ai VMEi E Ai R E f E dj
j
i j j
La alternativa ptima ser aquella que proporcione un mejor valor promedio, es decir:
mejor VME A , esto es :

I Resultados favorables: mx VMEi A
i i
38
Resultados desfavorables: mn VMEi A
i
El criterio del valor medio esperado cumple los dos criterios de racionalidad anteriores, es decir, verifica los
criterios de dominacin simple y estocstica.
CRTICAS AL VALOR MONETARIO ESPERADO
La crtica fundamental a este criterio, es que no toma en cuenta el riesgo medido por la varianza. De ah se
deduce entre otras cosas que:
- Este criterio de decisin no es conveniente cuando los resultados tienen gran variabilidad, pues el valor
medio en este caso no es representativo.
- El valor medio es un valor terico y no el resultado que el decidor va a obtener. En el caso de que dicho
resultado suponga una prdida, el decidor puede no estar en condiciones de asumirla.
VALOR ESPERADO DE LA INFORMACIN PERFECTA
Es evidente que un decisor tomara siempre la mejor decisin si supiera el estado de la naturaleza que va a
presentarse, es decir, si tuviera informacin perfecta de su entorno. As todo decisor, una vez resuelto el
problema, se plantea si puede obtener ms informacin sobre el estado de la naturaleza, de manera que lo ideal
sera que tuviera certeza sobre la presentacin de las concreciones. Por lo tanto toda mejora en la informacin
sobre el entorno supone, en general, una mejora de los resultados obtenidos. En consecuencia todo decisor
podra estar interesado en obtener informacin adicional que le permitiese un mejor conocimiento del entorno.
Esa informacin adicional puede ser de dos tipos:
- Informacin adicional de carcter perfecto o informacin cierta: se caracteriza porque le permite al

decisor comportarse como si supiera exactamente que concrecin del estado de naturaleza va a
presentarse, es decir, como si el problema se plantease en ambiente de certeza.
- Informacin adicional de carcter imperfecto o informacin aleatoria: se caracteriza porque tiene
distintas posibles concreciones, permitindole al decisor rectificar la distribucin de probabilidad que en
un principio otorg al estado de la naturaleza (Teorema de Bayes).
Ahora bien, toda informacin adicional tiene un costo. Por ello el decisor antes de contar con esa informacin,
debe conocer el valor que para l tiene y determinar si le interesa o no compararla. Para valorar la informacin
adicional de carcter perfecto introducimos los siguientes conceptos.
REIP: resultado esperado con informacin perfecta. Representa la cantidad que el decisor espera ganar si
supiera con certeza que concrecin del estado de naturaleza va a presentarse. Se calcula como:

REIP E r j donde: r j mejor rij j
i
Si E es una variable aleatoria discreta, entonces REIP r j p j

j
Si E es una variable aleatoria continua, entonces REIP r j f E j dj

jJ
Por tanto, si los sepultados son favorables, ese mejor es mximo y, en caso contrario, es mnimo.
RER: resultado esperado en riesgo. Representa el valor que la informacin adicional perfecta tiene para el
decisor porque supone la mejora en los resultados esperados que obtendra con esa informacin. Se calcula as:
VIP = REIP - RER

Este valor representa la cantidad mxima que el decisor est dispuesto a pagar por la informacin adicional de
carcter perfecto.
39
CIP: costo de informacin perfecta. Representa la cantidad de dinero que le cuesta al decisor adquirir la
informacin perfecta. Por tanto:
Si CIP VIP , el decisor adquirir la informacin perfecta.

Si CIP >VIP, el decisor no adquirir la informacin perfecta.
6.- EQUIVALENCIA DE CERTEZA; CONDUCTAS ADVERSAS AL RIESGO.-
Un decisor puede presentar distintas actitudes frente al riesgo. Para definirlas y caracterizarlas vamos a ver,
previamente, dos conceptos que sern muy tiles.
Definicin:
p ... pi ... pn
Sea l 1 una lotera cualquiera con premios monetarios.
x1 ... xi ... x n
EQUIVALENCIA DE CERTEZA.
Definimos equivalencia de certeza de una lotera como aquella cantidad C R de manera que al decisor
le resulta indiferente recibir con certeza la cantidad C o participar en la lotera l.
Por tanto, si u es la funcin de utilidad del decisor, C es el equivalente cierto de la lotera l si sus utilidades
coinciden: C l u(C) = u(l)
VALOR MONETARIO ESPERADO.
Definimos el valor monetario esperado de una lotera como aquella cantidad R que representa el
beneficio esperado del juego, es decir, la cantidad que el decisor espera obtener como promedio si participa
sucesivas veces en es lotera.
n
Por tanto: E l pi xi
i 1
es el valor monetario esperado (VME)
CONDUCTA ADVERSA AL RIESGO.
Un individuo presenta aversin frente al riesgo si prefiere el valor esperado de la lotera a participar en ella, es
decir, no est dispuesto a asumir el riesgo que le supone participar en una lotera aunque el beneficio esperado
sea mayor. Por tanto.
Un individuo presenta aversin frente al riesgo si C

A este decisor le definimos como precavido, conservador o pesimista.
Hay tres formas de caracterizar la aversin del decisor frente al riesgo:
o Mediante la forma de la funcin de utilidad. Un decisor presenta aversin al riesgo si y slo si su

funcin de utilidad es cncava.
o Mediante la prima de riesgo. La prima de riesgo de una lotera se define como la diferencia entre su
beneficio esperado y su equivalente cierto: C . La prima de riesgo representa la cantidad a la
que el decisor est dispuesto a renunciar por asumir el mnimo riesgo posible, es decir, por no jugar.
Adems, la prima de riesgo es una medida de la magnitud de la aversin por el riesgo del decisor, ya que
cuanto mayor sea la prima de riesgo, mayor ser la aversin al riesgo.
Si un individuo presenta aversin frente al riesgo entonces 0 .
40
o Mediante la funcin de aversin. Si la funcin de utilidad de un decisor es sucesivas veces derivable
en el conjunto de premios, podemos definir la funcin de aversin de la siguiente manera:
u x
r x
u x
Si un individuo presenta aversin frente al riesgo, entonces, r x 0 .

Adems, la funcin de aversin puede ser creciente o decreciente.
Si la funcin de aversin es creciente, diremos que el decisor tiene aversin absoluta por el riesgo, es
decir, la aversin por el riesgo aumenta al aumentar la riqueza : cuanto ms dinero tiene el decisor ms
precavido se vuelve, porque tiene ms que perder.
Si la funcin de aversin es decreciente, diremos que el decisor tiene aversin relativa por el riesgo, es
decir, la aversin por el riesgo disminuye al aumentar la riqueza: cuanto ms dinero tiene el decisor
menos precavido se vuelve, porque piensa que tiene ms riqueza para poder hacer frente al riesgo.
PREFERENCIA POR EL RIESGO
UN individuo presenta preferencia por el riesgo si solo opta por no participar en una lotera a cambio de una
cantidad cierta de dinero superior al beneficio esperado de la misma, lo que supone que el decisor est dispuesto
a soportar el riesgo asociado a la lotera. Por tanto:
Un individuo presenta preferencia por el riesgo si C
A este decisor le definimos como arriesgado u optimista.

La preferencia por el riesgo slo se caracteriza a travs de la forma de la funcin de utilidad, dado que los
conceptos de prima por el riesgo y funcin de aversin slo son propios de la aversin frente al riesgo.
Forma de la funcin de utilidad
Un decisor presenta presenta preferencia por el riesgo si y slo si su funcin de utilidad es convexa. Aunque
como hemos dicho, los conceptos de prima de riesgo y funcin de aversin no son propios de esta situacin, si
los calculamos para el individuo con preferencia por el riesgo tendremos:
C 0
Si se puede definir la funcin de aversin, deber ser r x 0.
NEUTRALIDAD FRENTE AL RIESGO
La neutralidad frente al riesgo no es ms que un caso particular de los dos anteriores, cuando se verifican con
igualdad, es decir:
Un individuo presenta neutralidad frente al riesgo si C
En este caso, la funcin de utilidad es lineal (utilidad marginal constante), la prima de riesgo vale cero y la
funcin de aversin ser una funcin idnticamente nula.
AVERSION AL RIESGO PREFERENCIA AL RIESGO
41
BIBLIOGRAFIA
PRAWDA(Vol.2) Mtodos y Modelos de Investigacin de Operaciones
BONINI, HAUSMAN Anlisis Cuantitativo para los Negocios.

y BIERMAN
KAMLESH MATHUR Investigacin de Operaciones

Y DANIEL SOLOW
JOSEFINA GARCIA Inv. de Operaciones
AGUADO
BOLO N 9
MARCO CONCEPTUAL DE LA TEORIA DE DECISIONES
1.- QUE ES UNA DECISIN?
Una decisin es el acto voluntario realizado por una persona o un grupo de personas originado por la necesidad
de escoger entre diversas alternativas, la ms ptima para responder a las necesidades de dicho acto.
42
Esta necesidad puede ser: un problema o una necesidad de mejorar la situacin actual.
PASOS PARA UNA DECISIN
PROBLEMA
MEJOR
ALTERNA ALTERNA
DECISION TIVAS TIVA
NECESIDAD
DE
MEJORA
La decisin es el simple acto de escoger (elegir, seleccionar, optar, preferir, sealar, etc.) entre dos o ms
alternativas.
No se puede decidir si solo se tiene un camino o no existen alternativas.
La toma de decisiones es un proceso mas complejo mediante el cual se realiza una eleccin entre las alternativas
o formas para resolver diferentes situaciones de la vida, estas se pueden presentar en diferentes contextos: a nivel
laboral, familiar, sentimental, empresarial, etc., es decir, en todo momento se toman decisiones, la diferencia
entre cada una de estas es el proceso o la forma en la cual se llega a ellas. La toma de decisiones consiste,
bsicamente, en elegir una alternativa entre las disponibles, a los efectos de resolver un problema actual o
potencial, (an cuando no se evidencie un conflicto latente).
La toma de decisiones a nivel individual es caracterizada por que una persona haga uso de su razonamiento y
pensamiento para elegir una decisin a un problema que se le presente en la vida; es decir, si una persona tiene
un problema, sta deber ser capaz de resolverlo individualmente a travs de tomar decisiones con ese especifico
motivo. En la toma de decisiones importa la eleccin de un camino a seguir, por lo que en un estado anterior
deben evaluarse alternativas de accin. Si estas ltimas no estn presentes, no existir decisin.
Para tomar una decisin, no importa su naturaleza, es necesario conocer, comprender, analizar un problema, para
as poder darle solucin; en algunos casos por ser tan simples y cotidianos, este proceso se realiza de forma
implcita y se soluciona muy rpidamente, pero existen otros casos en los cuales las consecuencias de una mala o
buena eleccin puede tener repercusiones en la vida y si es en un contexto laboral en el xito o fracaso de la
organizacin, para los cuales es necesario realizar un proceso ms estructurado que puede dar ms seguridad e
informacin para resolver el problema. Las decisiones nos ataen a todos ya que gracias a ellas podemos tener
una opinin crtica.
Toda mala decisin que tomo va seguida de otra mala decisin. (Harry S. Truman)
2.- PROCESO DE LA TOMA DE DECISIONES.-
El proceso de toma de decisiones es un proceso estructurado, que tiene un principio y un final, adems de un
procedimiento definido.
Asegura la calidad de la decisin y adems, incorpora otros elementos al proceso de la decisin.
43
La separacin del proceso en etapas puede ser tan resumida o tan extensa como se desee, pero podemos
identificar principalmente las siguientes:
1.Identificar y analizar el problema
Esta etapa consiste en comprender la condicin del momento visualizar la condicin deseada, es decir
encontrar el problema y reconocer que se debe tomar una decisin para llegar a la solucin de este. El
problema puede ser actual, porque existe una brecha entre la condicin presente real y la deseado, o
potencial, porque se estima que dicha brecha existir en el futuro.
2.Identificar los criterios de decisin y ponderarlos
Consiste en identificar aquellos aspectos que son relevantes al momento de tomar la decisin, es decir
aquellas pautas de las cuales depende la decisin que se tome.
La ponderacin, es asignar un valor relativo a la importancia que tiene cada criterio en la decisin que se
tome, ya que todos son importantes pero no de igual forma.
Muchas veces, la identificacin de los criterios no se realiza en forma consciente previa a las siguientes
etapas, sino que las decisiones se toman sin explicitar los mismos, a partir de la experiencia personal de los
tomadores de decisiones.
En la prctica, cuando se deben tomar decisiones muy complejas y en particular en grupo, puede resultar
til explicitarlos, para evitar que al momento de analizar las alternativas se manipulen los criterios para
favorecer a una u otra alternativa de solucin.
3.Generar las alternativas de solucin
Consiste en desarrollar distintas posibles soluciones al problema. Si bien no resulta posible en la mayora
de los casos conocer todos los posibles caminos que se pueden tomar para solucionar el problema, cuantas
ms alternativas se tengan va ser mucho ms probable encontrar una que resulte satisfactoria.
De todos modos, el desarrollo de un nmero exagerado de alternativas puede tornar la eleccin sumamente
dificultosa, y por ello tampoco es necesariamente favorable continuar desarrollando alternativas en forma
indefinida.
Para generar gran cantidad de alternativas es necesaria una cuota importante de creatividad. Existen
diferentes tcnicas para potenciar la creatividad, tales como la lluvia de ideas, las relaciones forzadas, la
sinctica, etctera.
En esta etapa es importante la creatividad de los tomadores de decisiones.
4.Evaluar las alternativas
Consiste en hacer un estudio detallado de cada una de las posibles soluciones que se generaron para el
problema, es decir mirar sus ventajas y desventajas, de forma individual con respecto a los criterios de
decisin, y una con respecto a la otra, asignndoles un valor ponderado.
44
Como se explic antes segn los contextos en los cuales se tome la decisin, esta evaluacin va a ser ms
o menos exacta.
Existen herramientas, en particular para la Administracin de Empresas para evaluar diferentes

alternativas, que se conocen como mtodos cuantitativos.
En esta etapa del proceso es importante el anlisis crtico como cualidad del tomador de decisiones.
5.Eleccin de la mejor alternativa
En este paso se escoge la alternativa que segn la evaluacin va a obtener mejores resultados para el
problema. Existen tcnicas (V.gr. Anlisis Jerrquico de la Decisin) que nos ayudan a valorar mltiples
criterios. Los siguientes trminos pueden ayudar a tomar la decisin segn el resultado que se busque:
Maximizar: Tomar la mejor decisin posible.

Satisfacer: Elegir la primera opcin que sea mnimamente aceptable satisfaciendo de esta forma una
meta u objetivo buscado.
Optimizar: La que genere el mejor equilibrio posible entre distintas meta.
6.Implementacin de la decisin
Poner en marcha la decisin tomada para as poder evaluar si la decisin fue o no acertada. La
implementacin probablemente derive en la toma de nuevas decisiones, de menor importancia.
7.Evaluacin de los resultados
Despus de poner en marcha la decisin es necesario evaluar si se solucion o no el problema, es decir si

la decisin est teniendo el resultado esperado o no.
Si el resultado no es el que se esperaba se debe mirar si es por que debe darse un poco ms de tiempo para
obtener los resultados o si definitivamente la decisin no fue la acertada, en este caso se debe iniciar el
proceso de nuevo para hallar una nueva decisin.
El nuevo proceso que se inicie en caso de que la solucin haya sido errnea, contar con ms informacin
y se tendr conocimiento de los errores cometidos en el primer intento.
Adems se debe tener conciencia de que estos procesos de decisin estn en continuo cambio, es decir, las
decisiones que se tomen continuamente van a tener que ser modificadas, por la evolucin que tenga el
sistema o por la aparicin de nuevas variables que lo afecten.
3.- LAS DECISIONES EN EL PROCESO ADMINISTRATIVO, EN LA GESTION EMPRESARIAL.
3.1.- LAS DESICIONES EN EL PROCESO ADMINISTRATIVO.

Las decisiones que se pueden tomar en el proceso administrativo generalmente se dan en las siguientes
actividades:
Seleccin de personal
Equipamiento
45
Infraestructura
Seleccin de proveedores
3.2.- LAS DECISIONES EN LA GESTION EMPRESARIAL.

Son las siguientes:
Eleccin de planes de gestin
Eleccin de estrategias
Seleccin de mercados (segmentos)
Ingeniera de producto
Marketing estratgico
3.2.1. ELECCION DE PLANES DE GESTION.-

Plan Anual de Gestin es un conjunto de instrumentos denominados proyectos y/o reas temticas que la
entidad formula para alcanzar los resultados controlables y a su vez impactar sobre los objetivos
institucionales y sectoriales.
3.2.2. ELECCION DE ESTRATEGIAS.-

Estrategia tiene muchos usos. Algunos autores consideran parte de ellas tanto los puntos terminales
(propsito, misin, metas, objetivos) como los medios para alcanzarlos (poltica, planes). Pero esta no es
mas que la determinacin de propsito (misin) y de los objetivos bsicos a largo plazo de una empresa
as como la adopcin de los cursos de accin y de la asignacin de los recursos para cumplir. Las
diversas estrategias deben evaluarse cuidadosamente antes de hacer una eleccin. Las decisiones
estratgicas deben considerarse de acuerdo con los riesgos implicados. En ocasiones es necesario dejar
pasar redituables oportunidades de alto riesgo que podran resultar en la quiebra dela empresa. Otro
elemento crucial en la eleccin de estrategias es la oportunidad. Incluso el mejor producto podra
representar un fracaso si se le introduce al mercado en un momento inapropiado.
3.2.3. SELECION DE MERCADOS.-Es el proceso de dividir el mercado en grupos de consumidores

que se parezcan ms entre s en relacin con algunos o algn criterio razonable. Los mercados se pueden
segmentar de acuerdo con varias dimensiones:.
a. Demografa: El mercado se divide en grupos de acuerdo con variables tales como sexo, edad,
ingresos, educacin, etnias, religin y nacionalidad. Lo ms comn es segmentar un mercado
combinando dos o ms variables demogrficas.
b. Geografa: Los mercados se dividen en diferentes unidades geogrficas, como pases, regiones,
departamentos, municipios, ciudades, comunas, barrios. Debe tenerse en cuenta que algunos
productos son sensibles a la cultura de una nacin, pueblo o regin.
c. Patrones de Utilizacin del Producto: Se refiere a la forma en que los compradores utilizan el
producto y la forma en que este encaja en sus procesos de percepcin de sus necesidades y
deseos.
3.2.4. INGENIERIA DEL PRODUCTO.-
Esta funcin comprende el diseo del producto que se desea comercializar, tomando en cuenta todas las
especificaciones requeridas por los clientes. Una vez elaborado dicho producto se deben realizar ciertas
pruebas de ingeniera, consistentes en comprobar que el producto cumpla con el objetivo para el cual fue
elaborado; Y por ltimo brindar la asistencia requerida al departamento de mercadotecnia para que est
pueda realizar un adecuado plan (de mercadotecnia) tomando en cuenta las caractersticas del producto.
3.2.5. MARKETING ESTRATEGICO.-

46
El marketing estratgico busca conocer las necesidades actuales y futuras de nuestros clientes, localizar
nuevos nichos de mercado, identificar segmentos de mercado potenciales, valorar el potencial e inters
de esos mercados, orientar a la empresa en busca de esas oportunidades y disear un plan de actuacin
que consiga los objetivos buscados.
4.- CLASIFICACION DE LAS DESICIONES.

Las decisiones se clasifican de la siguiente manera:
4.1.- Decisiones programadas
Son aquellas que se toman frecuentemente, es decir son repetitivas y se convierte en una rutina tomarlas;
como el tipo de problemas que resuelve y se presentan con cierta regularidad ya que se tiene un mtodo bien
establecido de solucin y por lo tanto ya se conocen los pasos para abordar este tipo de problemas, por esta
razn, tambin se las llama decisiones estructuradas. La persona que toma este tipo de decisin no tiene la
necesidad de disear ninguna solucin, sino que simplemente se rige por la que se ha seguido anteriormente.
Las decisiones programadas se toman de acuerdo con polticas, procedimientos o reglas, escritas o no
escritas, que facilitan la toma de decisiones en situaciones recurrentes porque limitan o excluyen
alternativas. Por ejemplo, los gerentes rara vez tienen que preocuparse por el ramo salarial de un empleado
recin contratado porque, por regla general, las organizaciones cuentan con una escala de sueldos y salarios
para todos los puestos. Existen procedimientos rutinarios para tratar problemas rutinarios.
En cierta medida, las decisiones programadas limitan nuestra libertad, porque la persona tiene menos espacio
para decidir que hacer. No obstante, el propsito real de las decisiones programadas es liberarnos. Las
polticas, las reglas o los procedimientos que usamos para tomar decisiones programadas nos ahorran
tiempo, permitindonos con ello dedicar atencin a otras actividades ms importantes. Por ejemplo, decidir
cmo manejar las quejas de los clientes en forma individual resultara muy caro y requerira mucho tiempo,
mientras que una poltica que dice se dar un plazo de 14 das para los cambios de cualquier compra
simplifica mucho las cosas. As pues, el representante de servicios a clientes tendr ms tiempo para resolver
asuntos ms espinosos.
4.2.- Decisiones no programadas
Tambin denominadas no estructuradas, son decisiones que se toman en problemas o situaciones que se
presentan con poca frecuencia, o aquellas que necesitan de un modelo o proceso especfico de solucin, por
ejemplo: Lanzamiento de un nuevo producto al mercado, en este tipo de decisiones es necesario seguir un
modelo de toma de decisin para generar una solucin especfica para este problema en concreto.
Las decisiones no programadas abordan problemas poco frecuentes o excepcionales. Si un problema no se

ha presentado con la frecuencia suficiente como para que lo cubra una poltica o si resulta tan importante que
merece trato especial, deber ser manejado como una decisin no programada. Problemas como asignar los
recursos de una organizacin, que hacer con una lnea de produccin que fracas, como mejorar las
relaciones con la comunidad de hecho, los problemas ms importantes que enfrentar el gerente ,
normalmente, requerirn decisiones no programadas. Un ejemplo de Nike sera cmo disear y
comercializar calzado para baloncesto, ms moderno y avanzado.
5.- ESCUELAS DESICIONALES.

Estn referidas al enfoque propio del Anlisis de la decisin:
Escuela tradicional
Teora normativa
Teora positivista
Escuela moderna por Modelos de decisin
47
5.1.- ESCUELA TRADICIONAL.
5.1.1. Teora normativa

Propone presentar pautas y tcnicas para lograr metas predeterminadas. Nos dice qu decisin tomar.
Una teora normativa dice cmo deberan ser las cosas. Expresado en trminos prcticos, una teora
normativa, ms apropiadamente llamada una poltica, dice a los agentes como deben actuar. Una poltica
puede ser un imperativo absoluto que diga a los agentes como deben actuar en cualquier caso o puede ser
una directiva contingente que diga a los agentes como deben actuar si quieren alcanzar una meta particular.
Una poltica se declara frecuentemente en la forma de una heurstica o una mxima una norma, una regla,
un slogan. Otros nombres que puede recibir una poltica son recomendacin y un principio regulativo.
La teora de la decisin normativa que busca los criterios racionales de la decisin as como las
motivaciones humanas en diferentes situaciones. De esta forma esta parte de la teora busca ejemplos
axiomticos de la racionalidad dentro de la toma de decisiones.
5.1.2. Teora Positivista
Consiste en no admitir como validos cientficamente otros conocimientos, sino los que proceden de la
experiencia, rechazando, por tanto, toda nocin a priori y todo concepto universal y absoluto. El hecho es
la nica realidad cientfica, y la experiencia y la induccin, los mtodos exclusivos de la ciencia. Por su
lado negativo, el positivismo es negacin de todo ideal, de los principios absolutos y necesarios de la
razn, es decir, de la metafsica. El positivismo es una mutilacin de la inteligencia humana, que hace
posible, no slo, la metafsica, sino la ciencia misma. Esta, sin los principios ideales, queda reducida a una
nomenclatura de hechos, y la ciencia es una coleccin de experiencias, sino la idea general, la ley que
interpreta la experiencia y la traspasa.
Llamada tambin teora del comportamiento slo busca describir y explicar cmo se toman las decisiones.
En la teora del conocimiento positivista, el conocimiento ya est dado, elaborado y terminado no
permitindose la problematizacin; por ello niega la intervencin del sujeto en su construccin. Va de lo
simple a lo complejo y as se desaprovechan mtodos de estudio como la dialctica, la deduccin, la
problematizacin, etc.
5.2.- ESCUELA MODERNA.

En esta escuela es donde se da nfasis en lo que son los modelos de decisin de donde podemos rescatar que lo
ms importante de esta escuela se da en los siguientes puntos:
Tendencia moderna
Busca separar el problema y las alternativas del ncleo de la
Decisin, con el objeto de facilitar su anlisis.
Esta orientado a buscar la automatizacin de la decisin
6.- MODELOS.
6.1.- DEFINICION.
Un modelo es una representacin de un objeto, sistema o idea, de forma diferente al de la entidad misma. El
propsito de los modelos es ayudarnos a explicar, entender o mejorar un sistema. Un modelo de un objeto
puede ser una rplica exacta de ste o una abstraccin de las propiedades dominantes del objeto.
6.2.- CLASES DE MODELOS EN LA TEORIA DE DESICIONES.-
48
Existen muchas maneras de clasificar los modelos. El distinguir entre modelos normativos (llamados a
veces prescriptivos) y descriptivos es til al evaluar los resultados del modelo. Con frecuencia los modelos
normativos se usan como gua. El modelo proporciona una gua de cmo se debe actuar. Puede no seguirse
el modelo con exactitud en cualquier situacin dada; puede escogerse seguirlo solo en parte o tal vez
ignorarlo por completo. Aun as, los modelos normativos son bastantes valiosos. El mayor uso que se les da
a los modelos descriptivos es el del conocimiento de cmo se comporta un sistema dado para poder hacer
mejoras. En este sentido, los modelos descriptivos son herramientas de trabajo ms que guas ideales.
Una segunda taxonoma para los modelos es concreto y abstracto. Los modelos concretos tienen, en general,
algunas caractersticas fsicas en comn con la realidad que se esta modelando. Son en si mismo sistemas
reales fsicos. El modelo de aeroplano usado para las pruebas del tnel de viento, la maqueta de un edificio
y los modelos e automviles a escala natural son modelos concretos. Las replicas son modelos concretos tan
cercanos a la realidad que puede ser difcil diferenciarlos. Los modelos abstractos son el extremo opuesto de
los modelos concretos. No tienen caractersticas fsicas comunes con el original.
La teora de decisiones proporciona una manera til de clasificar modelos para la toma de decisiones. Se
supondr que se ha definido el problema, que se tienen todos los datos y que se han identificado los cursos
de accin alternativos. La tarea es entonces seleccionar la mejor alternativa. La teora de de decisiones dice
que esta tarea de hacer una seleccin caer en una de cuatro categoras generales dependiendo de la
habilidad personal para predecir las consecuencias de cada alternativa.
Categoras. Consecuencias. Certidumbre Deterministas Riesgo Probabilistas Incertidumbre Desconocidas.

conflicto Influidas por un oponente.
6.2.1.- Toma de decisiones bajo certidumbre.
Se tiene conocimiento total sobre el problema, las alternativas de solucin que se planteen van a causar
siempre resultados conocidos e invariables. Al tomar la decisin solo se debe pensar en la alternativa que
genere mayor beneficio.
Mediante este modelo de decisin si se pueden predecir con certeza las consecuencias de cada alternativa de
accin, entonces se tienen una tarea de toma de decisiones bajo certidumbre. Otra manera de pensar en esto
es que existe una relacin directa de causa y efecto entre cada acto y su consecuencia. Si esta lloviendo,
deber llevarse un paraguas? Si hace fri, deber llevarse un abrigo? Ya sea que se lleve o no el paraguas
o el abrigo, las consecuencias son predecibles.
Una buena parte de las decisiones que se toman a diario cae dentro de esta categora. En donde comer? En
donde comprar el material de la oficina? Que modo de transporte usar para los productos?
Conceptualmente, la tarea es bastante sencilla. Simplemente se evalan las consecuencias de cada accin
alternativa y se selecciona la que se prefiere. Sin embargo, en la prctica, esto puede resultar lejos de ser
fcil. El nmero de alternativas puede ser muy grande (o infinito) lo que hara muy laboriosa la
enumeracin. Por ejemplo, si una empresa usa 10 000 kilogramos anuales de polvo limpiador, Cmo debe
guardarse el inventario? Se tienen disponibles 10 000 alternativas (mas aun se permiten cantidades
fraccionales).
6.2.2.- Toma de decisiones bajo riesgo.
La informacin con la que se cuenta para solucionar el problema es incompleta, es decir, se conoce el
problema, se conocen las posibles soluciones, pero no se conoce con certeza los resultados que pueden
arrojar.
49
En este tipo de decisiones, las posibles alternativas de solucin tienen cierta probabilidad conocida de
generar un resultado. En estos casos se pueden usar modelos matemticos o tambin el decisor puede hacer
uso de la probabilidad objetiva o subjetiva para estimar el posible resultado.
La probabilidad objetiva es la posibilidad de que ocurra un resultado basndose en hechos concretos, puede
ser cifras de aos anteriores o estudios realizados para este fin. En la probabilidad subjetiva se determina el
resultado basndose en opiniones y juicios personales.
Este modelo, incluye aquellas decisiones para las que las consecuencias de una accin dada dependen de
algn evento probabilista.
6.2.3.- Toma de decisiones bajo incertidumbre.
Se posee informacin deficiente para tomar la decisin, no se tienen ningn control sobre la situacin, no se
conoce como puede variar o la interaccin de la variables del problema, se pueden plantear diferentes
alternativas de solucin pero no se le puede asignar probabilidad a los resultados que arrojen.
Con base en lo anterior hay dos clases de incertidumbre: Estructurada: No se sabe que puede pasar entre
diferentes alternativas, pero s se conoce que puede ocurrir entre varias posibilidades. No estructurada: No
se sabe que puede ocurrir ni las probabilidades para las posibles soluciones, es decir no se tienen ni idea de
que pueda pasar.
Esta es una categora muy comn para las decisiones aunque de nombre peculiar. Se parece a la toma de
decisiones bajo riesgo, con una diferencia importante. Ahora no se tiene conocimiento de las probabilidades
de los eventos futuros, no se tiene idea de cuan posibles sean las diferentes consecuencias. Por ejemplo
tratar de adivinar si al tirar una moneda al aire el resultado es cara o cruz sin saber si la moneda tiene dos
caras, es legal, tiene dos cruces. Otro ejemplo seria tambin el de tratar de decidir si se debe aceptar una
oferta de trabajo sin saber si despus se tendr una mejor.
Esta categora es realmente como disparar en la obscuridad. Habr una manera ptima de disparar en la
obscuridad? En realidad no. Aun as se pueden ofrecer varios mtodos para manejar problemas de este tipo.
Primero debe tratarse de reducir la incertidumbre obteniendo informacin adicional sobre el problema. Con
frecuencia esto basta para que la solucin sea evidente. Si esto falla, se tienen varios caminos abiertos.
Una manera de manejar este tipo de situaciones es introduciendo abiertamente en el problema los
sentimientos subjetivos de optimismo y pesimismo. Esto no es tan malo como parece; en muchas ocasiones,
los sentimientos subjetivos tienen una base razonable. Un ejemplo es la decisin de cuantos rboles de
Navidad ordenar. Se puede tener razn al pensar que las ventas de rboles deben ser buenas: la
congregacin de la iglesia es grande, habr buena publicidad y no hay competencia en rea. Si es una
persona optimista, puede emplearse una estrategia maximax. Esto significa que se selecciona la accin que
maximiza el pago mximo.
Por otra parte si se es pesimista, se puede ser conservador y emplear una estrategia maximin. Aqu se
selecciona la accin con el mayor de los pagos mnimos.
Maximax y maximin son los dos extremos. Por supuesto, se podr seleccionar alguna accin intermedia.
Una estrategia alternativa consiste en convertir el problema a uno de toma de decisiones bajo riesgo, para
que pueda hacerse una seleccin optima. Primero pueden expresarse aquellos conocimientos o sentimientos
que se tengan sobre los eventos en trminos de una distribucin de probabilidad.
50
Si no se tienen bases para hacer estimaciones subjetivas, se puede emplear el principio de la razn
insuficiente. Esto significa que puede suponerse que todos los eventos son igualmente probables. As para
las ventas de Navidad se le asignara una probabilidad de 0.333 a cada evento.
En muchas de las decisiones bajo incertidumbre se puede, de hecho, expresar el grado personal de
optimismo, o convertir el problema a riesgo con una exactitud razonable. Llmese intuicin, experiencia,
juicio, suerte o como se desee. El hacer esto mejorara la toma de decisiones en mayor medida que cuando
simplemente hace un disparo en la obscuridad.
6.2.4.- Toma de decisiones bajo conflicto.
Esta es la ltima de las cuatro categoras. Aqu se tienen aquellos casos de toma de decisiones bajo
incertidumbre en los que hay un oponente. Las probabilidades de los eventos no solo se desconocen; estn
influenciadas por un oponente cuya meta es vencer. Esta es la situacin tpica en cualquier competencia:
bisbol, ftbol, pquer, backjack, los negocios y la guerra.
7.- SIMULACION.
7.1.- DEFINICION.
Se entiende por simulacin una extensa coleccin de mtodos y aplicaciones para imitar el comportamiento
de sistemas reales, normalmente en una computadora y a travs de un software apropiado. De hecho el
trmino simulacin puede ser muy general ya que la idea se refiere a muchos campos, industrias y
aplicaciones. Hoy en da, la simulacin es ms popular que nunca debido a que los ordenadores y el software
son mejores y ms asequibles.
7.2.- MODELOS DE SIMULACION.
Dentro de los modelos de simulacin estn:
1. MODELOS DETERMINISTICOS
Ni las variables endgenas y exgenas se pueden tomar como datos al azar. Aqu se permite que las
relaciones entre estas variables sean exactas o sea que no entren en ellas funciones de probabilidad. Este
tipo determinstico quita menos de cmputo que otros modelos
2. MODELOS ESTOCASTICOS
Cuando por lo menos una variable es tomada como un dato al azar las relaciones entre variables se
toman por medio de funciones probabilsticas, sirven por lo general para realizar grandes series de
muestreos, quitan mucho tiempo en el computador son muy utilizados en investigaciones cientficas
3. MODELOS ESTATICOS
Es que en ellos no se toma en cuenta el tiempo dentro del proceso, por ejemplo: los modelos de juegos,
modelos donde se observa las ganancias de una empresa
Ejemplo: Arquitectnicos: lneas de telfono, tubos de agua.
4. MODELOS DINAMICOS
51
Si se toma en cuenta la variacin del tiempo, ejemplo: la variacin de la temperatura, del aire durante un
da, movimiento anual de las finanzas de una empresa. Ejemplo: Laboratorio de qumica: reaccin entre
elementos
En estos modelos fsicos podemos realizar modelos a escala o en forma natural, a escala menor, e escala
mayor, sirven para hacer demostraciones de procesos como para hacer experimentos nuevos.
5. MODELOS A ESCALA
Son los modelos sencillos de maquetas -> casa -> bao, cuartos, etc. Tambin se pueden tener a tamao
natural a menor o mayor escala, bidimensional, tridimensional.
7.3.- ETAPAS PARA REALIZAR UN ESTUDIO DE SIMULACION
7.3.1.- Definicin del sistema
Para tener una definicin exacta del sistema que se desea simular, es necesario hacer primeramente un
anlisis preliminar de ste, con el fin de determinar la interaccin con otros sistemas, las restricciones del
sistema, las variables que interactan dentro del sistema y sus interrelaciones, las medidas de efectividad
que se van a utilizar para definir y estudiar el sistema y los resultados que se esperan obtener del estudio.
7.3.2.- Formulacin del modelo
Una vez definidos con exactitud los resultados que se esperan obtener del estudio, se define y construye el
modelo con el cual se obtendrn los resultados deseados. En la formulacin del modelo es necesario
definir todas las variables que forman parte de l, sus relaciones lgicas y los diagramas de flujo que
describan en forma completa el modelo.
7.3.3.- Coleccin de datos
Es importante que se definan con claridad y exactitud los datos que el modelo va a requerir para producir
los resultados deseados.
Con el modelo definido, el siguiente paso es decidir si se utiliza algn lenguaje como el fortran, algol, lisp,
etc., o se utiliza algn paquete como Vensim, Stella y iThink, GPSS, simula, simscript, etc., para
procesarlo en la computadora y obtener los resultados deseados.
7.3.4.- Validacin
A travs de esta etapa es posible detallar deficiencias en la formulacin del modelo o en los datos
alimentados al modelo. Las formas ms comunes de validar un modelo son:
1. La opinin de expertos sobre los resultados de la simulacin.

2. La exactitud con que se predicen datos histricos.
3. La exactitud en la prediccin del futuro.
4. La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar al sistema
real.
5. La aceptacin y confianza en el modelo de la persona que har uso de los resultados que arroje el
experimento de simulacin.
52
7.3.5.- Experimentacin
La experimentacin con el modelo se realiza despus que ste haya sido validado. La experimentacin
consiste en generar los datos deseados y en realizar un anlisis de sensibilidad de los ndices requeridos.
7.3.6.- Interpretacin
En esta etapa del estudio, se interpretan los resultados que arroja la simulacin y con base a esto se toma
una decisin. Es obvio que los resultados que se obtienen de un estudio de simulacin ayuda a soportar
decisiones del tipo semi-estructurado.
7.3.7.- Documentacin
Dos tipos de documentacin son requeridos para hacer un mejor uso del modelo de simulacin. La
primera se refiere a la documentacin del tipo tcnico y la segunda se refiere al manual del usuario, con el
cual se facilita la interaccin y el uso del modelo desarrollado.
8.- PROCESO AUTOMATICO DE DATOS.

Primero debemos comenzar diciendo que automatizado no es lo mismo que automtico.
Origina desconfianza en los responsables
Permite tomar en cuenta grandes cantidades de informacin
Permite efectuar anlisis de sensibilidad
Permite incorporar los resultados
BIBLIOGRAFIA:
MODELOS PROBABILSTICOS: DEL ANLISIS DE LA DECISIN

DE: PROFESOR HOSSEIN ARSHAM
SISTEMAS, MODELOS Y SIMULACION

Carlos Alberto TAPIA
TEORA DEL CONSENSO - WIKIPEDIA, LA ENCICLOPEDIA LIBRE
TEORA DE LA DECISIN - WIKIPEDIA, LA ENCICLOPEDIA LIBRE
TRABAJO BOLO N 9 2007
53

Teo de Decisiones (Bolos 1,2,4,6,9)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Teo de Decisiones (Bolos 1,2,4,6,9)

Uploaded by

Copyright:

Available Formats

BOLO N 2 DECISIONES BAJO CONDICIONES DE RIESGO

INFORMACION PERFECTA: Toma de decisiones en condiciones de Certeza (o riesgo calculado). Cuando

INFORMACION IMPERFECTA O PARCIAL: Se presentan bajo dos situaciones;

Decisiones con Incertidumbre: No se disponen de datos.

Cuadro de la Teora de las Decisiones

El propsito de la teora de decisiones es incrementar la probabilidad de obtener buenos resultados en un mundo

El decisor es el individuo o conjunto de individuos, que tiene la responsabilidad de comprometer o asignar

DESICIONES DECISIONES DECISIONES

Cuando se posee informacin

2. DECISIONES BAJO CONDICIONES DE RIESGO:

Probabilidad objetiva y subjetiva

La interpretacin subjetiva de probabilidades, en la cual la experiencia personal se convierte en la base de

Guiarse por el sentido comn

4. CRITERIOS DE DECISION EN AMBIENTE DE RIESGO

CRITERIO DEL VALOR ESPERADO

Criterio de la media con varianza acotada

Criterio de la probabilidad mxima

Decisin bajo riesgo: Ejemplo

Probabilidades 0.2 0.2 0.5 0.1

CRITERIO DEL VALOR ESPERADO

El Valor Esperado es la suma ponderada de los pagos correspondientes a la alternativa de decisin.

Probabilidades 0.2 0.2 0.5 0.1

E[R(a1)] = 11*0.2 + 9*0.2 + 11*0.50 + 8*0.1 = 2.2+1.8+5.5+0.8= 10.3

- Para cada decisin la ganancia esperada se calcula como:

CRITERIO DE MNIMA VARIANZA CON MEDIA ACOTADA

Criterio de mnima varianza con media acotada

Probabilidades 0.2 0.2 0.5 0.1

CRITERIO DE LA MEDIA CON VARIANZA ACOTADA

Criterio de la media con varianza acotada

Probabilidades 0.2 0.2 0.5 0.1

Para cada alternativa ai se calcula el siguiente valor medio corregido:

a1 11 9 11 8 10.3 1.21 8.10

a2 8 25 8 11 11.7 45.01 -1.72

a3 8 11 10 11 9.9 1.09 7.81

Probabilidades 0.2 0.2 0.5 0.1

CRITERIO DE LA PROBABILIDAD MXIMA

Probabilidades 0.2 0.2 0.5 0.1

UE = 0.5 (1100)0.5 + 0.5(999.50) 0.5= 32.39

DECISIONES BAJO CONDICIONES

Naturaleza del Proceso Decisorio

PASADO PRESENTE FUT URO

Clasificacin del los Problemas de Decisin

2. DIFERENCIAS ENTRE CERTIDUMBRE E INCERTIDUMBRE

La caracterstica principal de los problemas de decisin en ambiente de incertidumbre reside en el grado de

Elementos de un problema de decisin en ambiente de incertidumbre

Incertidumbre en el Anlisis de Riesgo

1. No podemos describir con certeza el comportamiento parcial o total de un sistema.

Objetivo de hacer un Anlisis de Incertidumbre es mejorar sustancialmente la calidad y el resultado del

1. Incertidumbre relativa a los escenarios considerados.

Errores de agregacin al combinar la diferentes aproximaciones.

2. Incertidumbre en los Parmetros

Aleatorios: los mismos tienden a cero con ms y mejores mediciones.

Sistemticos: son la consecuencia de la calibracin imprecisa de los instrumentos de medida, y

Uso de Datos genricos

Constantes: en este caso por definicin no es incierto.

3. REDUCCIN DE UNA MATRIZ DE INCERTIDUMBRE A UNA MATRIZ OPERABLE

Ai Xi1 _...... Xij

F1 = vender 1000 unidades

S = cantidades compradas para stock,

Pueden darse tres casos:

D>S D=S D<S

200*S 120*S 30*S = 50*S si DS

Usando esas ecuaciones, se conforma la matriz de resultados indicada en la Tabla.

E[R(a1)] = 110.2 + 90.2 + 110.50 + 80.1 = 2.2+1.8+5.5+0.8= 10.3

200S 120S 30S = 50S si DS