Lección 8

Análisis de Decisiones

Basadas en las presentaciones de

Quantitative Analysis for Management,
by Render, Stair, and Hanna © 2008 Prentice-Hall, Inc.
 Objetivos
Después de completar este capítulo los estudiantes
deben ser capaces de:
1. Tomar decisiones bajo
incertidumbre.
2. Desarrollar árboles de decisión
precisos y útiles
3. Actualizar las estimaciones de
utilidad por medio del análisis
bayesiano.

Lección 8 MAT350– 2
 Secciones de Lectura
3.1 Introducción
3.2 Los seis pasos del proceso de toma de
decisiones
3.3 Tipos de ambientes del proceso de toma
de decisiones
3.4 Toma de decisiones bajo incertidumbre
3.5 Toma de decisiones bajo riesgo
3.6 Árboles de decisión
3.7 Estimación de los valores de
probabilidad por análisis bayesiano

Lección 8 MAT350– 3
 Introducción

 ¿Qué está involucrado en una buena

toma de decisiones?
 La teoría de las decisiones es una
aproximación analítica y systemática al
estudio de la toma de decisiones
 Una buena decisión es una que está
basada en la lógica, considera toda la
información disponible y posibles
alternativas, y la aproximación
cuantitativa descrita aquí

Lección 8 MAT350– 4
 Los seis pasos en la toma de
decisiones
1. Definir claramente el problema en cuestión
2. Enumerar las posibles alternativas
3. Identificar los posibles resultados o
estados de la naturaleza
4. Listar el pago o utilidad de cada
combinación de alternativas y resultados
5. Seleccionar uno de los modelos
matemáticos de toma de decisiones
6. Aplicar el modelo y tomar una decisión

Lección 8 MAT350– 5
Thompson Lumber Company

Step 1 – Definir el problema

 Expandirse manufacturando y
promocionando un nuevo product,
cobertizos de almacenamiento para
patios traseros
Step 2 – Enumerar alternativas
 Construir una nueva planta grande
 Una planta pequeña
 No construir otra planta
Step 3 – Identificar posibles resultados
 El mercado podría ser favorable o
desfavorable
Lección 8 MAT350– 6
Thompson Lumber Company

Step 4 – Listar las utilidades

 Identificar los valores condicionales de
los beneficios de una planta grande,
pequeña, y no plantas para las dos
posibles condiciones de mercado
Step 5 – Seleccionar el modelo de decisión
 Depende del ambiente y la cantidad de
riesgo e incertidumbre
Step 6 – Aplicar el modelo
 Solución y análisis usados para
ayudar a la toma de decisiones

Lección 8 MAT350– 7
 Thompson Lumber Company

Estado de la naturaleza

MERCADO MERCADO NO
ALTERNATIVA FAVORABLE ($) FAVORABLE ($)
Construir planta grande 200,000 –180,000
Construir planta
100,000 –20,000
pequeña
No hacer nada 0 0

Tabla 3.1

Lección 8 MAT350– 8
 Tipos de ambiente de toma de
decisiones

Tipo 1: Toma de decisiones bajo certidumbre

 El que decide sabe con certeza las
consecuencias de cada alternativa o
elección
Tipo 2: Toma de decisiones bajo incertidumbre
 El que decide no sabe las
probabilidades de los varios resultados
Tipo 3: Toma de decisiones bajo riesgo
 El que decide sabe las probabilidades
los varios resultados

Lección 8 MAT350– 9
 Toma de decisiones bajo
incertidumbre
Hay varios criterios para hacer decisiones
bajo incertidumbre

1. Maximax (optimista)
2. Maximin (pesimista)
3. Criterio de realismo (Hurwicz)
4. Igualdad de probabilidades
(Laplace)
5. Arrepentimiento minimax
Lección 8 MAT350– 10
 Maximax
Usado para encontrar la alternativa que
maximiza el máximo resultado
 Localizar el máximo resultado en cada alternativa
 Seleccionar la alternativa con el máximo número

ESTADO DE LA NATURALEZA
MERCADO MERCADO NO MÁXIMO EN
ALTERNATIVA FAVORABLE($) FAVORABLE($) UNA FILA($)
Construir una
200,000 –180,000 200,000
planta grande
Maximax
Construir una
100,000 –20,000 100,000
planta pequeña
No hacer nada 0 0 0

Tabla 3.2
Lección 8 MAT350– 11
 Maximin
Usado para hallar la alternativa que maximice el
mínimo resultado
 Localizar el mínimo resultado para cada
alternativa
 Seleccionar la alternativa con el máximo número

ESTADO DE LA NATURALEZA
MERCADO MERCADO NO MÍNIMO EN
ALTERNATIVA FAVORABLE($) FAVORABLE ($) UNA FILA($)
Construir una
200,000 –180,000 –180,000
planta grande
Construir una
100,000 –20,000 –20,000
planta pequeña
No hacer nada 0 0 0
Maximin
Tabla 3.3
Lección 8 MAT350– 12
 Criterio de realismo (Hurwicz)
Una media ponderada entre optimista y
pesimista
 Seleccionar un coeficiente de realismo 
 El coeficiente está entre 0 y 1
 Un valor de 1 es 100% optimista
 Computar la media ponderada para cada
alternativa
 Seleccionar la alternativa con el máximo
resultado

Media pesada = (máximo en fila)+(1 – )(mínimo en fila)

Lección 8 MAT350– 13
 Criterio de realismo (Hurwicz)
 Para la alternativa de planta grande y  = 0.8
(0.8)(200,000) + (1 – 0.8)(–180,000) = 124,000
 Para la alternativa de planta pequeña y  = 0.8
(0.8)(100,000) + (1 – 0.8)(–20,000) = 76,000
ESTADO DE LA NATURALEZA
CRITERIO DE
MERCADO MERCADO NO REALISMO
ALTERNATIVE FAVORABLE ($) FAVORABLE ($) ( = 0.8) ($)
Construir una
200,000 –180,000 124,000
planta grande
Realismo
Construir una
100,000 –20,000 76,000
planta pequeña
No hacer nada 0 0 0
Tabla 3.4
Lección 8 MAT350– 14
 Igualmente posible (Laplace)
Considera todos los resultados para cada
alternativa
 Encuentra el promedio de cada alternativa
 Selecciona la alternativa con el mayor promedio
ESTADO DE LA NATURALEZA
MERCADO MERCADO NO PROMEDIO
ALTERNATIVA FAVORABLE ($) FAVORABLE ($) POR FILA ($)
Construir una planta
200,000 –180,000 10,000
grande
Construir una planta
100,000 –20,000 40,000
pequeña
Igualmente posible
No hacer nada 0 0 0

Tabla 3.5

Lección 8 MAT350– 15
 Arrepentimiento Minimax
Basado en la pérdida de oportunidad, la
diferencia entre la ganancia óptima y el
resultado real de una decisión
 Crear una tabla de pérdida de oportunidad
determinando la pérdida de oportunidad por no
escoger la mejor alternativa
 La pérdida de oportunidad se calcula
substrayendo cada retribución en la columna de
la mejor retribución en la columna
 Encuentra la máxima pérdida de oportunidad
para cada alternativa y escoge la alternativa con
el mínimo número

Lección 8 MAT350– 16
 Arrepentimiento Minimax
ESTADO DE LA NATURALEZA
MERCADO MERCADO NO
 Tabla de FAVORABLE ($) FAVORABLE ($)
pérdida de 200,000 – 200,000 0 – (–180,000)
oportunidad 200,000 – 100,000 0 – (–20,000)
200,000 – 0 0–0
Tabla 3.6

ESTADO DE LA NATURALEZA
MERCADO MERCADO NO
ALTERNATIVA FAVORABLE($) FAVORABLE ($)
Construir una planta
0 180,000
grande
Construir una planta
100,000 20,000
pequeña
No hacer nada 200,000 0 Tabla 3.7
Lección 8 MAT350– 17
 Arrepentimiento Minimax
ESTADO DE LA NATURALEZA
MERCADO MERCADO NO MÁXIMO EN
ALTERNATIVA FAVORABLE ($) FAVORABLE ($) UNA FILA($)
Construir una
0 180,000 180,000
planta grande
Construir una
100,000 20,000 100,000
planta pequeña
Minimax
No hacer nada 200,000 0 200,000

Tabla 3.8

Lección 8 MAT350– 18
 Árboles de decisión
 Cualquier problema que puede ser presentado
en una tabla de decisión puede también ser
representada gráficamente en un árbol de
decisión
 Los árboles de decisión son más útiles cuando
hay que hacer una secuencia de decisiones
 Los árboles de decisión tienen puntos de
decisión y puntos de estado de naturaleza o
nodos
 Un nodo de decisión es donde una de varias
alternativas debe ser seleccionada
 Un nodo de estado de naturaleza es donde un estado
de naturaleza va a ocurrir
Lección 8 MAT350– 33
 Cinco pasos para análisis de
árboles de decisión

1. Definir el problema
2. Estructurar el árbol de decisión
3. Asignar probabilidades a los estados de
naturaleza
4. Retribuciones estimadas para cada
posible combinación de alternativas y
estados de naturaleza
5. Resolver el problema computando los
valores monetarios esperados (EMVs)
para cada nodo de estado de naturaleza

Lección 8 MAT350– 34
 Estructuras de los árboles
de Decisión
 Empezar el análisis de izquierda a
derecha
 Los cuadrados representan nodos
de decisión
 Los círculos representan nodos de
probabilidades de los estados de la
naturaleza o de los resultados de
un experimento

Lección 8 MAT350– 35
 Árbol de decisión de
Thompson
Nodo de estado de naturaleza
Mercado favorable
Nodo de decisión
1
Mercado no favorable

Mercado favorable
Construir
2
planta pequeña Mercado no favorable

Figura 3.2

Lección 8 MAT350– 36
 Árbol de decisión de
Thompson
EMV para nodo = (0.5)($200,000) + (0.5)(–$180,000)
1 = $10,000
Retribuciones
Mercado favorable (0.5)
$200,000
Alternativa con mejor
EMV se selecciona 1
Mercado no favorable (0.5)
–$180,000

Mercado favorable(0.5)
$100,000
Construir
2
planta pequeña Mercado no favorable (0.5)
–$20,000

EMV para nodo = (0.5)($100,000)

2 = $40,000< + (0.5)(–$20,000)
Figura 3.3
$0

Lección 8 MAT350– 37
 Árbol complejo de decisión
deThompson
Primer punto Segundo punto Retribuciones
de decisión de decisión
Mercado favorable (0.78)
$190,000
2 Mercado no favorable (0.22)
–$190,000
Mercado favorable (0.78)
Planta $90,000
3 Mercado no favorable (0.22)
pequeña –$30,000
No hacer nada
–$10,000
1 Mercado favorable (0.27)
$190,000
4 Mercado no favorable (0.73)
–$190,000
Mercado favorable (0.27)
Planta $90,000
pequeña
5 Mercado no favorable (0.73)
–$30,000
No hacer nada
–$10,000

Mercado favorable (0.50)

$200,000
6 Mercado no favorable (0.50)
–$180,000
Mercado favorable (0.50)
Planta $100,000
7 Mercado no favorable (0.50)
pequeña –$20,000
No hacer nada
$0
Figura 3.4
Lección 8 MAT350– 38
 Árbol complejo de decisión
deThompson

1. Dados resultados positivos en la encuesta,

EMV(nodo 2)= EMV(planta grande | encuesta positiva)
= (0.78)($190,000) + (0.22)(–$190,000) = $106,400
EMV(nodo 3)= EMV(planta pequeña | encuesta positiva)
= (0.78)($90,000) + (0.22)(–$30,000) = $63,600
EMV no hacer nada = –$10,000
2. Dados resultados negativos en la encuesta,
EMV(nodo 4)= EMV(planta grande | encuesta negativa)
= (0.27)($190,000) + (0.73)(–$190,000) = –$87,400
EMV(nodo 5)= EMV(planta pequeña | encuesta negativa)
= (0.27)($90,000) + (0.73)(–$30,000) = $2,400
EMV (no hacer nada) = –$10,000

Lección 8 MAT350– 39
 Árbol complejo de decisión
deThompson

3. Calcular el valor esperado de llevar a cabo la

encuesta del mercado,
EMV(nodo 1)= EMV(hacer encuesta)
= (0.45)($106,400) + (0.55)($2,400)
= $47,880 + $1,320 = $49,200
4. Si no se realiza la encuesta,
EMV(nodo 6)= EMV(planta grande)
= (0.50)($200,000) + (0.50)(–$180,000) = $10,000
EMV(nodo 7)= EMV(planta pequeña)
= (0.50)($100,000) + (0.50)(–$20,000) = $40,000
EMV no hacer nada = $0
5. La mejor elección es hacer la encuesta para recabar
información adicional
Lección 8 MAT350– 40
 Árbol complejo de decisión
deThompson
Primer punto Segundo punto Pagos
de decisión de decisión
$106,400 Mercado favorable (0.78)
$190,000
Unfavorable Market (0.22)
–$190,000

$106,400
$63,600 Mercado Favorable (0.78)
Peque $90,000
No favorable (0.22)
ña –$30,000
No hacer nada
–$10,000
–$87,400 Favorable (0.27)
$190,000
No favorable (0.73)
–$190,000
$2,400
$2,400 Favorable (0.27)
peque $90,000
No favorable (0.73)
ña –$30,000
No hacer nada
–$10,000
$49,200

$10,000 Favorable (0.50)

$200,000
No favoarable (0.50)
–$180,000
$40,000

$40,000 Favorable (0.50)

Peque $100,000
No favoarable (0.50)
ña –$20,000
No hacer nada $0
Figura 3.4
Lección 8 MAT350– 41
 Valor esperado de la
información de muestreo
 Thompson quiere saber el valor real de
llevar a cabo la encuesta
Valor esperado Valor esperado
con información de de la mejor deci-
EVSI = muestreo, asumiendo – sión sin informa-
que no tiene costo ción de muestreo

= (EV con información de muestreo + costo)

– (EV sin información de muestreo)

EVSI = ($49,200 + $10,000) – $40,000 = $19,200

Lección 8 MAT350– 42
 Análisis de sensibilidad

 ¿Qué tan sensibles son las decisiones a

los cambios en las probabilidades?
 ¿Qué tan sensibles son las decisiones a la
probabilidad de un resultado positivo en
una encuesta?
 O sea, si la probabilidad de un resultado
favorable (p = .45) cambiase, ¿tomaríamos
la misma decisión?
 ¿Cuánto podría cambiar antes de que
tomásemos una decisión diferente?

Lección 8 MAT350– 43
 Análisis de sensibilidad
p = probabilidad de resultado favorable en la encuesta
(1 – p) = probabilidad de resultado negativo en la encuesta

EMV(nodo 1) = ($106,400)p +($2,400)(1 – p)

= $104,000p + $2,400

No hay diferencia cuando el EMV del nodo 1 es

el mismo que el del EMV de ho hacer la
encuesta, $40,000

$104,000p + $2,400 = $40,000

$104,000p = $37,600
p = $37,600/$104,000 = 0.36
Lección 8 MAT350– 44
 Análisis bayesiano
Puede estar basado en:
 Experiencia e intuición de la administración
 Datos históricos
 Computado de otros datos usando el
teorema de Bayes
 El teorema de Bayes incorpora estimados
iniciales e información sobre precisión de
las fuentes
 Permite la revisión de estimados iniciales
basados en nueva información

Lección 8 MAT350– 45
 Cálculo de las probabilidades
revisadas
 En el caso de Thompson Lumber usamos estas
cuatro probabilidades condicionales
P (mercado favorable(FM) | resultados encuesta positivos) = 0.78
P (mercado no favorable(UM) | resultados encuesta positivos) = 0.22
P (mercado favorable(FM) | resultados encuesta negativos) = 0.27
P (mercado no favorable(UM) | resultados encuesta negativos) = 0.73

 Las probabilidades iniciales de estos mercados son

P (FM) = 0.50
P (UM) = 0.50

Lección 8 MAT350– 46
Cálculo de las probabilidades revisadas

 A través de discusiones con expertos Thompson

ha aprendido lo siguiente
 Puede usar esta información y el teorema de
Bayes para calcular las probabilidades posteriores
ESTADO DE NATURALEZA
RESULTADO DE MERCADO FAVORABLE MERCADO NO FAVORABLE
ENCUESTA (FM) (UM)

Positivo (predice P (encuesta positiva | FM) P (encuesta positiva | UM)

mercado favorable
para el producto) = 0.70 = 0.20

Negativo (predice
mercado no P (encuesta negativa | FM) P (encuesta negativa | UM)
favorable para el = 0.30 = 0.80
producto)

Tabla 3.11
Lección 8 MAT350– 47
Cálculo de las probabilidades revisadas

 El teorema de Bayes es

P ( B | A)  P ( A)
P( A | B) 
P ( B | A)  P ( A)  P ( B | A )  P ( A )

donde
A, B  dos eventos cualquiera
A  complement o de A

Para este ejemplo, A representa un mercado

favorable y B representa una encuesta positiva

Lección 8 MAT350– 48
 Cálculo de las probabilidades revisadas

 P (FM | encuesta positiva)

P(encuesta positiva | FM )  P( FM )

P(encuesta positiva |FM)  P(FM)  P(encuesta positiva |UM)  P(UM)

(0.70)(0.50) 0.35
   0.78
(0.70)(0.50)  (0.20)(0.50) 0.45

 P (UM | encuesta positiva)

P(encuesta positiva | UM )  P(UM )

P(encuesta positiva |UM)  P(UM)  P(encuesta positiva |FM)  P(FM)

(0.20)(0.50) 0.10
   0.22
(0.20)(0.50)  (0.70)(0.50) 0.45

Lección 8 MAT350– 49
 Cálculo de las probabilidades revisadas

Probabilidad a Posteriori
Probabilidad
Condicional P(Estado de la
Estado de P(Encuesta Naturaleza|
la Positiva| Estado de Probabilidad Probabilidad Encuesta
Naturaleza la Naturaleza) a Priori Conjunta Positiva)
FM 0.70 X 0.50 = 0.35 0.35/0.45 = 0.78
UM 0.20 X 0.50 = 0.10 0.10/0.45 = 0.22
P(survey results positive) = 0.45 1.00

Tabla 3.12

Revisar el cálculo para el resto de probabilidades

en el texto página 89
Lección 8 MAT350– 50
 Ejmplo Prototipo Goferbroke

 La Goferbroke Company es dueña de unos terrenos en los

que puede haber petróleo. Un geólogo consultor ha
informado a la gerencia qye existe una posibilidad de 1
entre 4 de encontrar petróleo. Debido a esta posibilidad,
otra compañía petrolera ha ofrecido comprar las tierras en
$90 000. Sin embargo, la Goferbroke está considerando
conservarla para perforar ella misma. El costo de la
perforación es de $100 000. Si encuentra petróleo, el
ingreso esperado será de $800 000; así, la ganancia
esperada es de $700 000. Se incurrirá en una pérdida de
$100 000 (el costo de barrenar) si no se encuentra petróleo.
¿Cómo abordar la decisión de si perforar o vender basada
en los datos de la tabla de la siguiente lámina?

Lección 8 MAT350– 51
 Continuación del Ej. Goferbroke

 Se puede llevar a cabo una exploración

sismológica del terreno para obtener una mejor
estimación de la probabilidad de que haya
petróleo. El costo es de $30 000. Una exploración
sismológica obtiene sondeos sísmicos que
indican si la estructura geológica es favorable
para la presencia de petróleo. Los resultados
posibles de la exploración se dividen en las
siguientes categorías:

 SSD: sondeos sísmicos desfavorables

 SSF: Sondeos sísmicos favorables

Lección 8 MAT350– 52
 Tabla de Pagos Goferbroke Company con las
probabilidades apriori de los estados de la
naturaleza

Estado de la Nat Pago

Alternativa Petróleo Seco
Perforar buscando petróleo $700,000 -$100,000
Vender la Tierra $90,000 $90,000
0.25 0.75

Lección 8 MAT350– 53
Mediciones de sondeos sísmicos

Probabilidad según
Sondeo Sísmico
Petróleo Seco
Favorable 0.6 0.2
Desfavorable 0.4 0.8

Lección 8 MAT350– 54
 Cálculo para Goferbroke de las
probabilidades a posteriori
0.4(0.25) 1
P(est.  petróleo | resultado  SSD)  
0.4(0.25)  0.8(0.75) 7

1 6
P(est .  seco | resultado  SSD)  1   P(SSD)
7 7 = 0.3

0.6(0.25) 1
P(est.  petróleo | resultado  SSF )  
0.6(0.25)  0.2(0.75) 2

1 1
P(est .  seco resultado  SSF )  1   P(SSF)
2 2 = 0.7
Lección 8 MAT350– 55
 Resultados para valores esperados
con probabilidades a posteriori

EV perforar/ SSD  (700)  (100)  15.7

1 6
7 7
EV vender/SSD   (90)  (90)  60
1 6
7 7

EV perforar, SSF  (700)  (100)  270

1 1
2 2
EV vender, SSF  (90)  (90)  60
1 6
2 2
Si se excluye el costo de experimentación es de 90 y 300
respectivamente Lección 8 MAT350– 56
Análisis del Arbol de Decisión (0.14)
Arbol de De cisión para Gofe rbroke

Pétroleo 670
Petróleo

Perforar -15.7
(0.7) Perforar
f 800
Desfavorable -100 Seco
Seco -130
Desfavorable

0 (0.85)
c

0 60 Vender
Venta
60
Hacer Exp. (0.5)
Hacer Exp.
90
b
Pétroleo670
123 270
Petróleo

-30 Perforar
(0.3) Perforar
g 800
Favorable -100 Seco
Seco -130
Favorable

123 0(0.5) 60
d

a
0 270 Vender
Venta

90 (0.25)
Pétroleo 700
100
Petróleo

Perforar
Perforar
800
-100
h

Seco (0.75)
No Exp. 100
No hacer Exp.
-100 Seco

0 Vender 90 0
Vender 90
Lección 8 MAT350– 57