ANALISIS DE DECISIONES

MATRIZ DE PAGOS

OTRA HERRAMIENTA DE TOMA

DE DECISIONES
 TOMA DE DECISIONES
• CATEGORIAS:
– Certidumbre >>>>>>Deterministas
– Riesgo >>>>>>>>>>Probabilistas
– Incertidumbre >>>>>Desconocidas
– Conflicto >>>>>>>>>Influenciadas por el oponente
EN INCERTIDUMBRE UN CRITERIO DE
DECISION ESTA BASADO EN EL VALOR
ESPERADO
El Valor Esperado de una variable aleatoria X es:
E(X) = ∑ Xj p (Xj) Xj valores de X
p (XJ) = probabilidades de X
1.- Cuando debe tomarse una sola decisión:
MATRIZ DE PAGOS
2.- Cuando debe tomarse una serie de decisiones:
ARBOL DE DECISIONES

EVENTOS: Son los resultados posibles Futuros.

Pueden ser: FINITOS: Discretos(Ganar o Perder un contrato)
INFINITOS: Continuos (Pronostico de
utilidades)
- Cuando la ocurrencia de un evento evita la ocurrencia de
los demás se denominan : EVENTOS MUTUAMENTE
EXCLUYENTES
- Cuando la colección de los eventos describen todas las
posibilidades: EVENTOS COLECTIVAMENTE
EXAUSTIVOS
• Para eventos discretos la probabilidad es
un numero entre 0 y 1. Si son mutuamente
excluyentes y colectivamente exhaustivos
la suma de probabilidades es 1.

FUENTES DE LAS PROBABILIDADES:

- Datos históricos: Las frecuencias relativas
se convierten en probabilidades de los
eventos futuros:
• Ejemplo:
Xj = Cantidad Demandada
nj = Número de semanas que se
demanda Xj
hj = Frecuencia Relativa
Xj nj hj
0 4 0.08
1 8 0.16
2 20 0.4
3 12 0.24
4 6 0.12
TOTALES 50 1
• Otras fuentes de las probabilidades serán
las distribuciones teóricas BINOMIAL,
POISSON, NORMAL.

MATRIZ DE PAGOS: Proporciona una

estructura organizada para analizar
situaciones probabilísticas en las que se
debe seleccionar una sola alternativa.
Los Componentes de la Matriz de Pagos:
1. Un conjunto de decisiones alternativas o
cursos de acción X1, X2,….Xm, que
contienen todas las alternativas factibles y
son mutuamente excluyentes.
2. Conjunto de eventos que pueden ocurrir
E1, E2,….En, llamados Estados de la
Naturaleza, que están fuera de control.
Son probabilísticos, mutuamente
excluyentes y colectivamente exhaustivos.
ESQUEMA DE MATRIZ DE PAGOS:
Estados de la Naturaleza (Eventos)
E1 E2 …….. En

X1 R11 R12 ….. R1n

Acciones X2 R21 R22 …… R2n

…. …. ….. …… …..

Xm Rn1 Rn2 ….. Rmn

Ej. Cuantos Arboles de Navidad ordenar?
 Costo: $US. 3,5 c/u.
 Precio de Venta. $US. 8,0 c/u.
 Se pueden ordenar solo lotes de 100 u.
 Si no se vende no hay valor de recuperación.
 Las ventas del año pasado nos dieron la siguiente
estimación:
Venta de Arboles Probabilidad
100 0.3
200 0.3
300 0.4
Las Decisiones Alternativas o Acciones son:
- X1 = Ordenar 100 Arboles
- X2 = Ordenar 200 Arboles
- X3 = Ordenar 300 Arboles
Los Eventos probabilísticamente son:
- E1 = Demanda de 100 a. Con prob. 30 %
- E2 = Demanda de 200 a. Con prob. 30 %
- E3 = Demanda de 300 a. Con prob. 40 %
• La Tabla de Pagos resultante será:
Eventos
E1
E1 E2
E2 E3
E3

X1
X1 450
450 450
450 450
450

X2
X2 100
100 900
900 900
900
Acciones
X3
X3 -250
-250 550
550 1350
1350

Probabilidad
Probabilidad 0.3
0.3 0.3
0.3 0.4
0.4
• EN CONDICIONES DE CERTIDUMBRE:
- Si se conoce la demanda se toma la
acción que maximiza el pago.
- Si habrá demanda de 100 árboles se pide
100 y así sucesivamente.

- EN CONDICIONES BAJO RIESGO:

Se utiliza el criterio del VALOR ESPERADO
• CRITERIO DEL VALOR ESPERADO
(REGLA DE DECISION DE BAYES): Para
cada alternativa se realiza el cálculo del
valor esperado. Se elige el que tiene
mayor valor esperado
VE (X1) = V (100) = 450
VE (X2) = V (200) = 660
VE (X3) = V (300) = 630
Ordenar 200 árboles utiliza toda la
información disponible.
• CRITERIO DE LA MAXIMA POSIBILIDAD:
Se identifica el estado mas probable de la
naturaleza seleccionando el que tenga el
pago máximo.
Como la mayor probabilidad es 0,4 para E3
se debe elegir ordenar 300 árboles.

La desventaja de este criterio es que ignora

mucha información relevante sobre todo
cuando existen muchos eventos.
• ESTRATEGIA MAXIMAX (OPTIMISTA)
Selecciona la acción que maximiza el pago
máximo. Ordenar 300 árboles con un
pago de $US. 1350.
ESTRATEGIA MAXIMIN (PESIMISTA) o
Criterio del Pago Máximo:
Seleciona la acción con el mayor de los
pagos mínimos de cada alternativa.
Max ( 450, 100, -250) Se elige 450 que
corresponde a ordenar 100 arboles
• CRITERIO DE HURWICZ: Es para aquel
que es ambos extremos Optimista y
pesimista. α = 1 OPTIMISTA
α = 0 PESIMISTA ABSOLUTO
Si M es el pago máximo de cada alternativa
y m el pago mínimo de tal alternativa,
entonces el PAGO PONDERADO es:
PP = α M + ( 1 - α ) m
Para X1 PP = 450 Para X2 PP = 340
Para X3 PP = 230 Se elige 100 árboles
• CRITERIO DE LA RAZON
INSUFICIENTE ( LAPLACE):
Este principio supone que todos los eventos
son equiprobables. En el ejemplo todos
los estados de la naturaleza tienen
probabilidad 1/3.
VE (X1) = 450
VE (X2) = 633,33
VE (X3) = 550 Ordenar 200 árboles.
• CRITERIO DE ARREPENTIMIENTO:
Se mide mediante la diferencia entre el
pago que se obtiene al tomar la decisión y
el pago óptimo que podría conseguirse de
haber sabido que estado de la naturaleza
iba a ocurrir. Esta diferencia también se
llama perdida de oportunidad + costo de
oportunidad. Es la magnitud de la perdida
en que se incurrió por no seleccionar la
mejor opción.
• De la Matriz de pago se identifica el
arrepentimiento máximo para cada
alternativa y se elige la alternativa que
minimice los valores de arrepentimiento.
 EVENTOS
E1 E2 E3

X1 0 450 900

ACCIONES X2 350 0 450

X3 700 350 0

El arrepentimiento máximo de X1 es 900,

para X2 es 450 y para X3 es700. El
mínimo es 450. Debe ordenarse 200
arboles.
• ÁRBOLES DE DECISIÓN
• Son grafos que representan un proceso de
decisión en forma extensiva
• Pueden ser aplicados a problemas generales
de decisión y a juegos de estrategia, con uno o
más decisores
• Facilita considerar de manera integrada la
secuencia de las decisiones, los posibles
resultados asociados con cada alternativa, las
asignaciones de probabilidad, los efectos
monetarios y las utilidades.
• El ARBOL DE DECISIONES es una excelente
ayuda para la elección entre varios cursos de
acción.
• Proveen una estructura sumamente efectiva
dentro de la cual estimar cuales son las
opciones e investigar las posibles
consecuencias de seleccionar cada una de
ellas.
• También ayudan a construir una imagen
balanceada de los riesgos y recompensas
asociados con cada posible curso de acción.
• En resumen, los árboles de decisión proveen
un método efectivo para la toma de decisiones
debido a que:
- claramente plantean el problema para que
todas las opciones sean analizadas.
- permiten analizar totalmente las posibles
consecuencias de tomar una decisión.
- proveen un esquema para cuantificar el costo
de un resultado y la probabilidad de que
suceda.
- nos ayuda a realizar las mejores decisiones
sobre la base de la información existente y de
las mejores suposiciones.
 DEFINICION
• Consiste en un GRAFO, o esquema con nodos y
ramas, donde se ordenan en forma cronológica
todos los momentos en que debe tomarse una
decisión o acontece un evento aleatorio,
indicando al final los resultados de una decisión.
• Es una de las dos herramientas básicas del modelo
general de decisión, que pueden ser utilizadas para
esquematizar cualquier tipo de decisión (la otra
herramienta básica es la matriz de decisión).
 CONTENIDO

• Nodos de decisión

• Nodos de acontecimiento

• Resultados
 MOMENTOS DE DECISIÓN

S1

S2

S3

• Las ramas que nacen de un nodo de decisión

representan a las alternativas.
 EVENTOS ALEATORIOS

N1

N2

N3

• Las ramas que nacen de un nodo de acontecimiento

representan a los distintos estados de una Variable
No Controlable.
 CONSTRUCCIÓN DEL ÁRBOL
• Se desarrolla de izquierda a derecha indicando en forma
secuencial todos los momentos de decisión y los momentos de
acontecimiento de un evento aleatorio.
• Luego se colocan al final de las ramas los resultados acumulados
después de sortear todas las vicisitudes desde el inicio del
proceso.
• Se evalúa de atrás hacia delante reconociendo la influencia de
las decisiones y eventos aleatorios últimos sobre los primeros.
• En los nodos de decisión se elige la mejor alternativa.
• En los eventos aleatorios se indica el criterio usado para evaluar
los resultados posteriores (valor esperado, minimax, etc.).
 Valor esperado: ejemplo
• Suponga que usted compra en s/.1000
un número de una rifa, la cual paga un
premio de s/.50.000.
• Hay dos eventos posibles:
– Usted gana la rifa, o
– Pierde
• ¿Cuál es el valor esperado del juego?
• La distribución de probabilidades es:

Evento X P(X)
Gana s/. 49000 1/100
Pierde - 1000 99/100

• El valor esperado es:

49000*(1/100) + -1000*99/100 = -500
• ¿Qué significa ese resultado?
 Árboles de decisión: Análisis:
criterio del Valor Monetario
Esperado
• Generalmente se inicia de derecha a
izquierda, calculando cada pago al final
de las ramas
• Luego en cada nodo de evento se
calcula un valor esperado
• Después en cada punto de decisión se
selecciona la alternativa con el valor
esperado óptimo
 Árboles de decisión: Análisis:
ejemplo de la rifa
Gana
s/49.000
(0,01)
Punto de
decisión
Juega la rifa
-500

Pierde s/ -1000
(0,99)

No juega la rifa s/ 0
 Árboles de decisión: Análisis:
ejemplo de la rifa
• En el nodo de evento se calculó el valor
esperado de jugar la rifa
• Luego se selecciona, en este caso el
valor más alto (por ser ganancias)
• En este caso la decisión es no jugar la
rifa
 Ejemplo
• Existe una empresa que está por construir una planta
de producción para los próximos 10 años.
• La opción es construir una planta grande para
enfrentar una demanda sostenidamente alta o una
planta pequeña y a los dos años ampliarla si la
demanda fuese alta.
• Si al inicio la demanda es baja seguirá así en el futuro.
Pero puede ser alta en los primeros dos años y luego
reducirse por efecto de la competencia.
• La planta grande demanda más inversión inicial y
posee más costos de mantenimiento que la pequeña.
 Ejemplo
Ventas sostenidamente altas R1
Ventas iniciales altas y luego bajas R2
Planta
Ventas sostenidamente bajas R3
grande
Vtas. altas
R4
Ampliar

Vtas. bajas R5
Planta Venta inicial
pequeña alta No Vtas. altas
R6
ampliar

Vtas. bajas R7
Venta
inicial baja R8
 Ejemplo
• Probabilidades: luego de desarrollar el árbol se
colocan las probabilidades de los estados en los
casos en que se conozcan.
• Se calculan los resultados acumulados: los
ingresos son mayores cuando se acierta con la
dimensión de la planta y también si es mayor su
nivel de producción, pero hay más costos de
inversión y mantenimiento cuanto mayor es la
misma.
 Ejemplo
0,60 - Ventas sostenidamente altas 70
0,20 - Vtas. iniciales altas y luego bajas 10
Planta
0,20 - Ventas sostenidamente bajas - 30
grande
0,75 - altas
60
Ampliar
0,80 - Vta. - 20
Planta 0,25 - bajas
inicial
pequeña alta No 0,75 - altas
40
ampliar

0,25 - bajas 20
0,20 - Vta.
inicial baja 10
 Ejemplo
Resolución del árbol
• Se comienzan a resolver los nodos más cercanos a
los resultados finales.
• En el caso de eventos aleatorios al conocerse la
probabilidad se aplica el criterio del valor esperado.
• En el caso de los nodos de decisión se elige el mejor
resultado (o mejor valor esperado).
• Se llega al principio donde queda en claro cuál es la
mejor alternativa inicial, la que debe elegirse.
 Ejemplo
0,60 - Ventas sostenidamente altas 70
0,20 - Vtas. iniciales altas y luego bajas 10
38
Planta
0,20 - Ventas sostenidamente bajas - 30
grande
0,75 - altas
60
38 Ampliar 40
0,80 - Vta. - 20
Planta 40 0,25 - bajas
inicial
pequeña alta No 0,75 - altas
40
34 ampliar 35
0,25 - bajas 20
0,20 - Vta.
inicial baja 10
 USO DEL ÁRBOL DE DECISIÓN
VENTAJAS
• Refleja mejor a las situaciones con decisiones
secuenciales (con más de un momento de
decisión).

DESVENTAJAS
• No permite analizar los casos de dominancia.
• Cuando una misma VNC afecta a distintas
alternativas, figura como si fuese otra VNC.