Texto Teor - A de Decisiones (1) - 2

Digitalizado por Liz Zambrano para www.admycontuna.mforos.
com
TEORA
w
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
DE DECISIONES
INGENIERA DE SISTEMAS
UNIVERSIDAD NACIONAL ABIERTA
Digitalizado por Liz Zambrano para www.admycontuna.mforos.com
305
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
DE DECISIONES
om
TEORA

CARACAS - VENEZUELA
Universidad Nacional Abierta

Apartado Postal N 2096
Caracas 1.010 A, Carmelitas, Venezuela
Copyright
@ UNA
1993
Todos los derechos reservados. Prohibida la reproduccin total o parcial

por cualquier medio grfico, audiovisual o computarizado, sin previa
autorizacin escrita.
CAV
Teora de decisiones i (Mara Luisa Pana
de Carrera, Enzo Pittari Paolino, Pedro
Carrera Brano). - Caracas : UNA, 1993.
366 p. : U. ; 30 cm.
"Estudios Profesionales IV"
En la cubierta : Ingeniera de sistemas.
fo
ro
s.
c
om
HD69
D4T4
1993
1982
Primera reimpresin 1992
yc
Primera edicin
on
t
un
a.
L Teora de decisiones. 2. Toma de decisiones.

3. Educacin a distancia -- Mdulos de estudio.
I. Parra de Carrera, Mara Luisa. II. Pittari
Paolino, Enzo. III. Carrera Brano, Pedro. IV.
Universidad Nacional Abierta (Caracas).
.a
dm
ISBN 980-236-446-0
Segunda reimpresin, 1993
w
w
Registro de Publicaciones de la
Universidad Nacional Abierta
N UNA-EP4-82-0103
Diseo de la portada:
Valentina Carrosquel U.
s.
c
fo
ro
TEORA DE DECISIONES
om
UNIVERSIDAD
NACIONAL
ABIERTA
on
t
un
a.
ESTUDIOS PROFESIONALES IV
dm
yc
Mara Luisa Pana de Carrera, MC., Ing

Enzo Pittari Pacuno, MC., Ing
Pedro Caneca Brano, MC., Ing
w
w
.a
ESPECIALISTA EN EVALUACIN
Beatriz Tancredi, Lie. UNA

DISEO 1% INSTRUCCIN
Ramn Escontreia, Lie. UNA
REVISIN DE CONTENIDOS
UbaWo Garca Palomares, PHD, USB

Mara A. Prez de Ovalles, Ing UNA
COORDINADOR DE INGENIERA DE SISTEMA
Gustavo A. Mrquez M., Ing UNA
NDICE
INTRODUCCIN
11
MODULO I; FUNDAMENTOS Y ELEMENTOS BSICOS
13
Objetm*
13
Introduccin
13
Unidad 1: El Anlisis de Decisiones, Importancia y Delimitacin . .
15
Autoevaluacin
25
Unidad 2: Conceptos Bsicos de Probabilidades
33
Autoevaluacin
41
Unidad 3: Informacin y Asignacin de Probabilidades
69
s.
c
Unidad 4: Metodologa de Asignacin de Probabilidades
61
om
Autoevaluacin
47
87
fo
ro
Autoevaluacin
Unidad 5: Arboles de Decisin
123
a.
Autoevaluacin
93
un
MODULO II: LAS PREFERENCIAS DEL DECISOR Y SU ACTITUD

EL RIESGO
on
t
139
139
yc
Objetivos
141
dm
Introduccin
143
Autoevaluacin
169
.a
Unidad 6; Las Preferencias del Decisor
179
w
w
Unidad 7: La Actitud del Decisor ante el Riesgo

Autoevaluacin
205
Unidad 8: Criterios de Decisin
217
Autoevaluacin
235
Unidad 9: El Valor de la Informacin
245
Autoevaluacin
267
MODULO O: METODOLOGA DEL ANLISIS DE DECISIONES > . .
283
Objetivos
283
Introduccin
283
Unidad 10: El Ciclo y las Fases del Anlisis de Decisiones
285
Autoevaluacin
^.............
..
337
INTRODUCCIN
El propsito fundamental de este Curso es presentar una metodologa para
el anlisis de problemas de decisin en condiciones de incertidumbre.
un
a.
fo
ro
s.
c
om
Aunque tradkionalmente se ha utilizado la expresin Teora de Decisiones

para designar este campo del conocimiento, hoy en da se prefiere usar el trmino Anlisis de Decisiones para establecer una diferencia entre la Teora de Decisiones Aplicada y la Teora de Decisiones Clsica o Pura, que se ha dedicado,
como su nombre indica y como posteriormente explicaremos, al estudio de
problemas tericos y de difcil aplicacin a situaciones reales. En base a esta
aclaratoria preferimos utilizaba lo largo de este Curso, el trmino Anlisis de Decisiones significando con ello que estamos interesados en Ciencia Aplicada y no en
Ciencia Pura.
dm
yc
on
t
La metodologa del Anlisis de Decisiones ataca con xito el tipo de problemas que las personas que toman decisiones enfrentan cada da. problemas que se
caracterizan por la incertidumbre de las variables involucradas, por la poca informacin disponible, por el monto de los recursos en juego y por su trascendencia
e impacto.
w
w
.a
Todo esto indica la necesidad que tienen las organizaciones modernas de disponer de un instrumento o metodologa la cual facilite el proceso de tomar decisiones.
No es la intencin del Curso presentar una teora descriptiva del comportamiento real de una persona que toma decisiones, ante un problema o situacin de
decisiones sino que por el contrario, el objetivo es presentar una teora normativa
de lo que un individuo normal, enfrentado con un problema de decisiones, deber
hacer para seleccionar un curso de accin que sea consistente con las convicciones
y preferencias suyas o de su organizacin.
La metodologa expuesta en este texto es producto del estudio, recopilacin
y seleccin de material existente sobre el tema, resaltando y adoptando lo que a
juicio de los autores constituye lo ms relevante, prctico e importante para un
Curso de esta naturaleza.
"El texto ha sido dividido en tres mdulos. En los Mdulos I y II se proporcionan al alumno los conocimientos bsicos necesarios y se le prepara para el
manejo de la metodologa del Anlisis de Decisiones. En el Mdulo m se presenta
la metodologa del Anlisis de Decisiones utilizando e integrando los conocimientos y las tcnicas adquiridas en los Mdulos I y II,
11
ODULO I
ANLISIS DE DECISIONES
FUNDAMENTOS Y
ELEMENTOS BSICOS
om
Lista de unidades
s.
c
Unidad 1. El Anlisis de Decisiones, importancia y delimitacin.
fo
ro
Unidad 2. Conceptos bsicos de Probabilidad.
Unidad 3. Informacin y asignacin de probabilidades.
a.
Unidad 4. Metodologa de asignacin de probabilidades.
on
t
un
Unidad 5. Arboles de decisin.
yc
Objetivos
dm
Al finalizar el estudio del Mdulo I, el estudiante deber estar en capacidad
.a
de:
Distinguir un problema de decisiones
Identificar los elementos de un problema de decisiones
Estructurar y evaluar rboles de decisiones.
w
w
Introduccin
Antes de iniciar el estudio de tcnicas y procedimientos para estructurar y
resolver problemas de decisiones, es necesario comprender qu se entiende por
una situacin o problema de decisiones, examinar los elementos que conforman
un problema de decisiones y distinguir los tipos de situaciones o problemas de decisin.
Habiendo realizado estoa estaremos en capacidad de pasar a estudiar el primer instrumento bsico para el anlisis de un problema de decisiones, como es la
Teora de las Probabilidades que prepara al alumno para la estructuracin del problema de decisin.
Finalmente, se introduce el manejo del rbol de decisiones que constituye
el instrumento fundamental para estructurar un problema de decisiones.
13
actitud ante el riesgo de ia persona que toma las decisiones. El instrumento bsico
para cumplir este objetivo es la Teona de la Utilidad/
Utilizando estos instrumentos el Anlisis de Decisiones desarrolla un procedimiento, llamado Ciclo del Anlisis de Decisiones, que en tres etapas o fases permite
conducir el anlisis de un problema de decisiones.
La capacidad para interpretar y cuanticar factores.tan subjetivos como las
preferencias y la actitud ahT"eTriesgo, es lo que ha hecho del Anlisis de Decisiones una metodologa tan exitosa.
1.2. ORIGEN DEL ANLISIS DE DECISIONES
om
Tal como hemos mencionado anteriormente el Anlisis de_J)ecisiones constituye el ltimo logro de una larga cadena de avances en el desarrpUo_de_metodologas y procedimientos, FoT cualesjhan'srgicb para el estudio del problema general
de toma de decisiones y asignacin de recursos.
s.
c
Veamos en qu forma se produjo esta evolucin y a partir de cules ciencias.
^^
^ *
^V
\Q
"X.
-^
N ?~^
Jf
>^
yc
dm
.a
w
w
,
.5
^
J
\
.
^s
^N
^J
on
t
un
a.
fo
ro
La primera actividad cientfica organizada para el anlisis de los procesos de

la tomHe decisiones fue la Investigacin de Operaciones. Esta se desarroll por la
aplicacin de mtodos cientficos para la solucin de problemas militares durante
la Segunda Guerra Mundial. Finalizada sta se busco la aplicacin de los procedimientos de la Investigacin de Operaciones a problemas civiles, especialmente
los de_tipt--gerencjjl. La transicin de la aplicacin de la Investigacin de Operaciones de problemas militares a problemas civiles mostr sus limitaciones. En
efecto, el paso al medio civil confirm la utilidad de la Investigacin de Operaciones en problemas determinsticos y repetitivos, caractersticos de los niveles gerenciales medios de las organizaciones, como son control de inventarios, control de
produccin, planificacin de operaciones de transporte y distribucin. Sin embargo, y debido a la misma naturaleza de los problemas de alta gerencia, raramente
pudo emplearse la Investigacin de Operaciones para resolver tales problemas; la
razn de esas limitaciones es que la Investigacin de Operaciones careca de las
herramientas para manejar adecuadamente los factores que caracterizan los
problemas tpicos de la alta gerencia, como son la incertidumbre acerca de las
variables involucradas, la insuficiencia o dispersin de la informacin, las preferencias de las personas que toman las decisiones y sus actitudes ante el riesgo.
Posteriormente, a partir de los aos 50, se desarrollaron nuevas disciplinas
relacionadas con los problemas de toma de decisiones; una de stas es la conocida
como Ciencia Gerencial, la cual se desarroll como respuesta a la preocupacin por los problemas que la investigacin de Operaciones no haba podido resolver. Desafortunadamente, este nuevo campo creci enfatizando ms el aspecto
terico que las aplicaciones prcticas; de tal manera que se ha considerado que las
Ciencias Gerenciales han mostrado ms inters en aquellos problemas sujetos a un
complejo tratamiento matemtico, que a problemas prcticos y reales, los cuales
por la carencia de instrumentos adecuados resultaban de difcil cuantificacin.
Igualmente por estos aos se desarroll el campo conocido como Teora de
Decisiones, que se ocupaba de definir el comportamiento racionalSla persona
que toma decisiones ante una situacin incierta. Sin embargo, este campo provea
una teora para decisiones de estructura sencilla y ciertamente muy lejos de las
situaciones reales, complejas y tpicas de las organizaciones de hoy.
17
Paralelamente y gracias al advenimiento del computador, hemos presenciado

tambin el desarrollo del campo conocido como Anlisis de Sistemas, que provee
a metodologa para el tratamiento y modelaje de las estructuras complejas y dinmicas de los sistemas modernos.
En la bsqueda de una solucin integral al problema de toma de decisiones,
durante la dcada del 60 se desarroll la nueva disciplina del Anlisis de Decisiones, a cual naci para llenar los vacos dejados por las otras ciencias que estudiaron el proceso de tomar decisiones.
1.3. CAMPO DE ACCIN DEL ANLISIS DE DECISIONES

El campo de accin del Anlisis de Decisiones abarca la Industria, la Banca,
el Comercio y el Gobierno.
s.
c
om
El grado de complejidad de los problemas tratados cubre un amplio rango,

pudiendo ser tan sencillo como el flujo de caja asociado a un proyecto, hasta el
modelo macroeconmico de un pas.
fo
ro
A continuacin indicaremos algunos de los problemas donde el Anlisis de

Decisiones se ha aplicado exitosamente:
1. Introduccin de nuevos productos.
on
t
3. Presupuesto de inversiones.
un
a.
2. Planificacin de estrategias de mercado
yc
4. Portafolio de inversiones.
dm
5. Exploracin y explotacin de recursos naturales no renovables.
.a
6. Desarrollo de nuevas fuentes energticas.
w
w
7. Planificacin Social.
8. impacto Ecolgico de Desarrollos Industriales.
La figura No. 1-1 maestra los problemas tpicos de cada rea o campo de
accin, en base a la lista anterior.
PROBLEMA
3
X
v
/v
REA
Industria
Barca
Comercio
Gobierno
v
A
8
X
Fig. 1-1
Campo de Accin del Anlisis de Decisiones
18
EL ANLISIS DE DECISIONES
IMPORTANCIA Y DELIMITACIN
Al finalizar el estudio" de esta Unidad usted deber estar en capacidad de:

Identificar la importancia del Anlisis de Decisiones y delimitar su campo
de accin.
2)
Distinguir los conceptos de Buena Decisin y Buen Resultado.
3)
Distinguir entre situaciones o problemas de decisin bajo certeza y bajo incertidumbre.
4)
Dada una situacin de decisiones en condiciones de ineertidumbre, identificar los elementos que conforman el problema de decisiones.
fo
ro
s.
c
om
1)
a.
ESQUEMA DE CONTENIDO
16
1.2. Origen del Anlisis de Decisiones.
17
yc
on
t
un
1.1. Importancia del Anlisis de Decisiones
pg
18
dm
1.3. Campo de Accin del Anlisis de Decisiones
19
.a
1.4. Definicin de Decisin
20
E Decisor
Las Alternativas
Los Estados de la Naturaleza.
Los Resultados
Ejemplo
20
20
20
21
21
1.6. Elementos de un Problema de Decisiones

1.6.1.
1.6.2.
1.6.3.
1.6.4.
1.6.5.
19
w
w
1.5. Distincin entre Buenas Decisiones y Buenos Resultados
1.7. Clasificacin de las Situaciones o Problemas de Decisin

1.7.1. Situaciones o Problemas de Decisin en Condiciones de
Certeza
Ineertidumbre
Autoevaluacn...........
,.....
Solucin de la Autoevaluacin * , , . * . , . , , _ , _ . ,
22
22
23
25
29
1.1. IMPORTANCIA DEL ANLISIS DE DECISIONES
fo
ro
s.
c
om
Tornar decisiones es una actividad de cada da, cuando escogemos qu ruta

seguirjpara_ir_al trabajo etamos, tomando una decisin; lo mismo hacemos cuando
seleccionamos cul ropa usar o cual pelcula vamos a ver. Estas decisiones se toman sin mayores complicaciones, sin ijiucho esfuerzo y sin profundizar demasiado. Esto puede hacerse porque la decisip en cuestin no es lo suficientemente
importante para ameritar un anlisis exhaustivo o simplemente porque la mejor
alternativa".saltaja, Ja vista,J5in embargo, no siempre es as. Frecuentemente, la
persona que toma la decisin se encuentra ante situaciones complejas, donde
forzosamente hay que dedicar tiempo y esfuerzo a razonar y analizar el problema
antes de tomar una decisin. En esos momentos es cuando un esquema o procedimiento para analizar un problema de decisiones sera especialmente til. Una herramienta de tal tipo sera de vital ayuda a un gerente que deba decidir la introduccin de un nuevo producto, o una compaa petrolera que deba decidir la exploracin de un rea petrolfera, o un laboratorio farmacutico que desea desarrollar ima nueva droga, o un inversionista que desea diversificar su cartera de
inversiones. Este tipo de problemas no son ni sencillos ni intrascendentes y ameritan un anlisis exhaustivo, sistemtico y bien estructurado. De all la importancia
del Anlisis de Decisiones puesto que provee un esquema metodolgico para organizar y sistematizar el estudio y resolucin de un problema de decisin-
.a
dm
yc
on
t
un
a.
Histricamente el Anlisis de Decisiones representa ei ltimo eslabn de una

larga cadena de avances en el campo del estudio cientfico de la Asignacin ptima de Recursos y Toma de Decisiones. De manera que el Anlisis de Decisiones ha
resultado de combinar diferentes aspectos de varias ciencias principalmente del
Anlisis de Sistemas y Teora de Decisiones. El Anlisis de Sistemas se desarroll
como una rama de la Ingeniera que estudiaba, con la ayuda del computador, las
interacciones y el comportamiento dinmico de situaciones complejas mientras
que la Teora de Decisiones estudiaba cmo ser lgico en situaciones simples de
incertidumbre. A}, unir los conceptos de estas dos ciencias se pudo atacar, con toda lgica, los jiroblemas de decisiones caracterizados por situaciones de incertidumbre compleja, y dinmica, lo que constituye ei campo natural de accin del
Anlisis
de Decisiones.
^
w
w
La metodologa de trabajo del Anlisis de Decisieiones c^msiste,J)sicarnente,

^n reducir los factores confusos del problema de decisin a una forma elemental y
de fcil manipulacin mediante la utilizacin del rbol de Decisiones. Para la
estructuracin del rbol de Decisiones se requieren como parmetros de entrada
Las probabilidades que cuantifican la informacin disponible, acerca de los eve^
tos jriert06lis como tambin las asignaciones numricas que cuantificanja.actitud del decisor o la poltica de la organizacin hacia el riesgo. Los parmetros de
salida del modelo d decisin IncluyenJa identificacin de la alternativa que se debe preferir bajo las premisas del modelo del Decisor.
La elaboracin y manipulacin del modelo de decisin es posible porque la
metodologa provee mtodos conceptuales y prcticos, para medir y utilizar cualquier informacin disponible en relacin a la incertidumbre que rodea al problema. La herramienta bsica para cumplir este objetivo es la Teora de la Probabilidad en su enfoque subjetivo.
La metodologa proporciona igualmente los procedimientos para cuantificar
preferencias, establecer la deseabilidad de los varios resultados posibles y la
16
1.4. DEFINICIN DE DECISIN

Intuitivamente todos tenemos idea de lo que significa el trmino decisin.
Comnmente se entiende que una decisin es la conclusin de un_proceso de
anMsjor parte de Ja^gTson~ûe decideTTSsto quiere tjecir que, antes de que
jia persona tomtTuna decisin, efecta _un_, anlisis, racional jle la tuacion-pro-,
ma considerado. Cuando una persona toma una decisin quiere lograr algo, es
decir, alcanzar una situacin diferente a la de su estado previo. Adems, esta
persona selecciona una cierta manera de actuar, de acuerdo a sus preferencias
porque piensa que sa es la forma que ms le ayudar a conseguir las metas que
especific de antemano. Adicionalmente su actuacin est limitada a la utilizacin
de una serie de recursos generalmente escasos.
A esta altura podemos formalizar ya una definicin de decisin.
om
Una decisin es una asignacin irrevocable de recursos, producto de un

anlisis de objetivos, alternativas y preferencias
on
t
un
a.
fo
ro
s.
c
El trmino irrevocable se refiere al hecho de que una vez tomada una decisin, se han comprometido de manera irreversible recursos, uno de los cuales es el
tiempo.
i
Lo anterior no contradice el hecho de que la mayora de las decisiones en
realidad conllevan una serie de decisiones secuenciales, algunas de las cuales pueden ser modificadas en el tiempo; sino que se refieren al carcter irreversible de
la decisin inicial, la cual compromete siempre, al menos algn recurso.
yc
1.5. DISTINCIN ENTRE BUENAS DECISIONES Y BUENOS RESULTADOS
.a
dm
Comnmente se confunde una buena decisin con un buen resultado, o viceversa. Para clarificar la diferencia entre estas dos expresiones, utilicemos el siguiente ejemplo:
w
w
La Junta Directiva de una empresa decide invertir en la construccin de una

planta pasteurizadora de leche. Inmediatamente a la puesta en servicio de la
planta, se produce en el pas un cambio de normas de produccin que obligan a
un nuevo tipo de proceso, lo que representa grandes prdidas para la empresa.
Puede decirse entonces que la decisin de inversin en una planta pasteurizadora fue una mala decisin, porque el resultado fue desfavorable...? No necesariamente, ya que los elementos de juicio de que dispona la Junta Directiva de la
empresa, en el momento de la decisin (informacin disponible) no contemplaba
el cambio que se produjo.
Para resumir, podemos decir que una buena decisin es aquella que es lgica
yjHâjk.en4a informacin, erutos valores y -en las preferencias de la persona que
lajoma. Por-ora parte, un buen resultado es el que resulta beneficioso, deseable o
valioso. En pocas palabras, un buen resultado es el que uno deseara que ocurriera.
Lo importante es tener claro que:
Una buena decisin puede conducir a un mal resultado y un buen
> :; v:b cuede derivarse de una mala decisin.
19
- La nica manera de evaluar la calidad de una decisin es examinando si ella es consistente con los valores, informacin y preferencia del que toma la decisin.
- Tomar buenas decisiones es la nica manera de asegurar mayor
posibilidad de buenos resultados.
- Es cierto que todo el mundo prefiere un buen resultado a uno
malo, pero slo el acto de decidir est bajo el control de quien
decide, y no los resultados.
Tomar una decisin correcta no es garanta de obtener un buen
resultado.
fo
ro
s.
c
1.6. ELEMENTOS DE UN PROBLEMA DE DECISIONES
om
Un buen resultado es el que logra el objetivo deseado por el

decisor.
un
a.
En cualquier problema de decisiones, independientemente del tipo de organizacin o del nivel en que se presente, concurren varios elementos, que describen
plenamente el problema de decisiones. Estos son:
dm
yc
on
t
1.6.1. El decisor
Persona u organismo responsable de la toma de decisiones, quien se
caracteriza por tener objetivos, preferencias e informacin, acerca del
problema y su contexto. El decisor es el individuo que tiene el poder
para comprometer los recursos de su organizacin.
w
w
.a
,/ 1.6.1.1. Los objetivos describen las metas del decisor.

S
/ 1.6.1.2. Las preferencias describen la actitud del decisor ante el
riesgo, y reflejan su escala de valores.
''A 1.6.1.3. La informacin representa el grado de conocimiento que
posee el decisor sobre los estados de la naturaleza, cuya
ocurrencia es incierta.
1.6.2. Las alternativas
El conjunto de diversos cursos de accin factibles, de los cuales el
decisor escoger el ms adecuado.
1.6.3. Los estados de la naturaleza
Los cuales describen el contexto del problema, y que pueden ser
definidos por un conjunto de eventos o factores que afectan el logro
de los objetivos y cuya ocurrencia se encuentra fuera del control del
decisci.
Existe un grado de incertidumbre relacionado con la ocurrencia de
los estados de la naturaleza y por lo tanto relacionado con la escogencia de la alternativa ms ventajosa.
20
.b,4. U* resultados
El conjunto de consecuencias derivadas de la combinacin de diversos cursos de accin factibles (alternativas) y de la ocurrencia de uno
o ms eventos (estados naturales).
El diagrama de la figura 1-2, indica la relacin entre los elementos de
un problema de decisin.
Estados de la
naturaleza
om
Objetivos
a.
un
FSg. 1-2
Alternativas
fo
ro
Preferencias
s.
c
Informacin
on
t
E3em5ioe de un problema de Decisin
.a
dm
yc
1.6.5. Ejemplo
Con la explicacin anterior estamos en capacidad de identificar los
elementos de un problema de decisiones. Para ilustrarlo examinemos
el siguiente problema:
w
w
Un industrial debe decidk la construccin de una planta para la fabricacin de un nuevo producto que desea introducir al mercado. La
demanda del producto es incierta, por tratarse de algo nuevo por lo
que no se dispone de mayor informacin ai respecto. El industrial
sabe que si ia demanda resulta elevada, la inversin ser altamente
rentable, mientras que si la demanda es baja apenas podr cubrir los
costos de montaje de la planta.
Como empresario, l est interesado en obtener el mayor beneficio
de su inversin al menor riesgo posible.
El producto es muy novedoso y ha tenido gran aceptacin en otros
pases, por lo que el industrial espera correr con la misma suerte.
Con la anterior descripcin podemos identificar los elementos del
problema de decisiones.
1. El Decisor: el Industrial
Siendo sus:
Objetivos: Obtener el mayor beneficio econmico.
21
Preferencias: Arriesgar lo menos posible.

Informacin: El producto ha resultado un xito en otros pases,
2. Las alternativas;
a) Construir la planta
b) No construir la planta
3. Los estados de la Naturaleza
a) Demanda alta
b) Demanda baja
El comportamiento de la demanda es desconocido.
om
4. Los resultados:
fo
ro
s.
c
a) Construir la planta y que la demanda resulte ser alta.

b) Construir la planta y que la demanda resulte ser baja.
c) No construir la planta.
a.
Ntese que el resultado (c) No construir la planta, incluye en

realidad dos (2) resultados:
un
No construir la planta y que la demanda resulte ser baja.
dm
yc
on
t
No construir la planta y que la demanda resulte ser alta.
.a
1.7. CLASIFICACIN DE LAS SITUACIONES O PROBLEMAS DE DECISIN
w
w
El grado de incertidmbre acerca de la ocurrencia de un evento depende,

lgicamente, del grado de informacin disponible en relacin al evento.
El grado de incertidmbre acerca de una situacin de decisiones permite
realizar una clasificacin de ellas en:
Situaciones o problemas de decisin en Condiciones de Certeza o Certidumbre.
Situaciones o problemas de decisin en Condiciones de Incertidmbre.
La clasificacin se basa en el grado de informacin que se encuentra al
alcance del decisor, con respecto a la-prbabilidad de ocurrencia de los estados
naturales.
1.7.1. Situaciones o Problemas de Decisin en Condiciones de Certeza

Se dice que se est ante una situacin de decisin en condiciones de
certeza o certidumbre, cuando se conoce a ciencia cierta la ocurrencia del estado de la naturaleza.
22
En una situacin de certidumbre, el decisor conoce el conjunto de

alternativas posibles; tambin conoce los resultados correspondientes
a cada una de las estrategias posibles e igualmente sus preferencias
por ios diferentes resultados.
Por lo tanto, a cada alternativa le corresponde un nico resultado
posible.
Transporte ptimo de productos

Almacenaje y distribucin ptima de productos
Series ptimas de produccin
Mezcla ptima de productos
Carga ptima de maquinarias
om
A primera vista este tipo de problemas, tambin conocidos con el

trmino de^pmDTln^^determinsticsJ puede parecer trivial, pero no
lo son, de rhanera'algna. Drteclu^numerosos y complicados problemas industriales son de este tipo. Ejemplos tpicos son:
a.
fo
ro
s.
c
Este tipo de problemas constituyen el campo de trabajo y han sido

exitosamente resueltos por la Investigacin de Operaciones, pero su
consideracin y tratamiento escapa a este Curso, debindose referir el
estudiante a los cursos de Investigacin de Operaciones de esta misma
carrera de Ingeniera de Sistemas.
dm
yc
on
t
un

Incertidumbre
Se dice que se est ante una situacin de Decisin en Condiciones de
Incertidumbre cuando la ocurrencia de los estados de la naturaleza es
desconocida.
w
w
.a
En una situacin de incertidumbre el decisor conoce el conjunto de

Alternativas y los posibles resultados asociados a cada una de ellas. De
los estados de la naturaleza posee un conocimiento incierto, determinado por su estado de informacin, ignorando cul de ellos ocurrir.
Las situaciones de decisin bajo incertidumbre constituyen precisamente el tipo de problemas de decisin ms comunes y frecuentes en
los niveles altos de una organizacin.
Ejemplos tpicos son:
~ La introduccin al mercado de nuevos productos
La estimacin de la demanda de bienes o servicios
Introduccin de cambios tecnolgicos
Diversificacin de portafolio de inversiones, etc.
Tal como se ha mencionado anteriormente, ste es el tipo de problemas donde el Anlisis de Decisiones ha probado ser especialmente
eficaz.
La condicin de certidumbre o de incertidumbre asociada a un problema de
decisin en particular, corresponde, como hemos visto, al grado de informacin
acerca de la ocurrencia de los estados de la naturaleza. A travs de un ejemplo
podemos estudiar corno un mismo problema o situacin puede ser clasificado
23
como problema de decisin bajo certidumbre o problema de decisin bajo incertidumbre, segn las consideraciones que se realicen, el enioque que se adopte a las
simplificaciones que se hagan al estudiar el problema.
Tomemos el siguiente ejemplo.
Problema de Transporte
Una compaa fabricante y distribuidora de productos de consumo masivo
posee tres plantas A, B y C donde se encuentra almacenada la totalidad de la produccin del mes anterior de un cierto producto.
Ella cuenta con cuatro almacenes, o centros de distribucin, 1, 2, 3 y 4,
respectivamente, cada uno de los cuales maneja o requiere un cierto volumen del
producto.
om
Los costos de transporte se estiman, lgicaanente, en base a la distancia en

kilmetros entre las plantas y los centros de distribucin.
fo
ro
s.
c
Se desea programar el transporte del producto de tal manera que su costo

total sea el mnimo as como estimar el costo total.
Comentario
on
t
un
a.
Dada la informacin con que ha sido planteado el problema, y si los volmenes de inventario del producto, la demanda de cada centro de distribucin y las
distancias entre plantas y centros de distribucin, son perfectamente conocidos,
estamos en presencia de un problema de decisiones en condiciones de certeza o
certidumbre.
w
w
.a
dm
yc
Por el contrario, si como consecuencia de una catstrofe natural, guerra o

por cualquier otra razn, las demandas de los centros de distribucin son inciertas,
o si las distancias entre plantas y centros de distribucin estn sujetas a cambios y.
por lo tanto, no se les puede establecer con certeza, estamos en presencia de un
problema de decisiones en condiciones de incertidumbre.
El problema, bsicamente, continua siendo el mismo pero las condiciones
entre los factores que intervienen son distintas; en un caso, tenemos conocimiento
cierto acerca de las variables; en el otro debemos estimar los probables valores de
las variables.
24
AUTOE VALUACIN
Instrucciones
PRIMERA PARTE:
A continuacin se le presentan distintas situaciones seguidas de alternativas de respuesta. Slo una de las alternativas es correcta para cada situacin. Seleccione la que
considere que es correcta y selela, encerrando en un
circulo la letra que la identifica.
1. El Anlisis de Decisiones tiene como uno de sus instrumentos bsicos, a la

Teora de la Probabilidad; la razn de esto es que dicha teora permite:
(9
Identificar los elementos de un problema de decisin
Codificar la actitud ante el riesgo del decisor
Clasificar los problemas de decisin
om
s.
c
'
Codificar la informacin referente a eventos
L*2
un
7TS
Problemas de carga de maquinarias

Problemas bajo incertidumbre
on
t
a.
fo
ro
2. La metodologa del Anlisis de Decisiones ha sido especialmente eficaz en el

tratamiento de:
Problemas determ msticos
Problemas de inventario y almacenaje de productos
.a
dm
yc
w
w
Una persona X, la cual desea obtener el mayor rendimiento para su dinero,

est pensando en invertir en depsitos a plazo fijo, por considerar que es su
mejor opcin disponible, cuando lee en el peridico que las tasas de inters
actualmente vigentes no sern revisadas y, por lo tanto, permanecern fijas
durante los prximos seis meses. Esa misma semana decide invertir a plazo
fijo al 15 por ciento anual a ciento ochenta das. No han pasado ocho das
cuando, como consecuencia de un alza de intereses en el exterior, se anuncia
que las tasas en el pas subirn al 18 por ciento para depsitos a ciento
ochenta das y al 16 por ciento para depsitos a noventa das.
Utilizando nicamente la informacin suministrada, indique cmo calificara
usted la decisin y el correspondiente resultado.
Buena Decisin
Buen Resultado
Buena Decisin
Mal Resultado
Mala Decisin
Mala E'ecisin
Mal Resultado
25
4. En un problema de dimisiones en condiciones de incertidumbre, el decisor:

A
Co loce la ocurrencia de los estados de la naturaleza
Desconoce los cursos de accin posibles
Desconoce el conjunto de resultados posible
Desconoce qu resultado ocurrir
SEGUNDA PARTE:
Dadas las situaciones de Decisin en Condiciones de Incertidumbre propuestas, identifique los elementos que se
iican al final del problema.
fo
ro
s.
c
om
Su'hijo de 10 aos e edad acaba de ser mordido por un perro callejero al

volver del colegio. Usted est confuso acerca de si debe o no vacunarlo, pues
.ha odo rumores en contra de la aplicacin de la vacuna, por los efectos
secundarios, pero, por otra parte, siente angustia ai pensar que el perro pueda
estar rabioso.
a.
on
t
un
Los estados de la Naturaleza
f^
yc
.0
dm
w
w
.a
6. Un industrial debe decidir la construccin de una planta para la fabricacin

de un nuevo producto que desea introducir en el mercado. La demanda es
incierta por tratarse de algo nuevo, por lo que no se dispone de mayor informacin al respecto.
El industrial sabe que si la demanda resulta elevada, la inversin ser altamente rentable, mientras que si es baja apenas podr cubrir los costos de montaje
de la planta. Como empresario, el industrial est interesado en obtener el
mayor beneficio de su inversin con el menor riesgo posible. El producto es
muy novedoso y ha tenido gran aceptacin en otros pases, por lo que el
industrial espera correr con la misma suerte.
El y sus dos socios se plantean la decisin en trminos de cul debe ser el
tamao de la planta, ms conveniente a construir. La decisin es de gran
importancia pues si se construye de alta capacidad y la demanda resulta ser
baja, las prdidas y el lucro cesante seran muy elevados, mientras que si la
demanda resulta alta, los beneficios seran muy altos. Por otra parte, si se
construye una planta de baja capacidad y la demanda resulta ser alta, se
perdera la oportunidad de hacer un buen negocio.
Suponga
3mativa de no construir la planta esta excluida.
26
El decisor
Las alternativas ,-. ivVV- , ;
(^ ^jjfy9&
C_^ ,-vjr . --'
Los estados de la naturaleza
Los resultados
\; J A
' r, - ;
. - , - , . A-> W
i L r '
' 1
, r-'1 ^
v
'
_ ^ c_l .:-'; Llif

. ' ' 57!
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
_^;
27
CLAVE
OBJETIVO EVALUADO
1.1
1.3
1.6
1.7
Ver Clave
razonada
1.6
Ver Clave
razonada
om
PREGUNTA
SECCIN
REFERENCIA
a.
fo
ro
s.
c
1.6
un
Clave Razonada
on
t
Pregunta 1
dm
yc
A. Correcto. La teora de la probabilidad permite utilizar la informacin

disponible, al asignar probabilidad a un evento incierto.
w
w
.a
B. Incorrecto. No es necesario conocer la Teora de la Probabilidad para

identificar los elementos de un problema de decisin.
C. Incorrecto. La actitud del decisor ante el riesgo se codifica en base a la
Teora de la Utilidad.
D. Incorrecto. Los problemas de decisin se pueden clasificar en base a la
incertidumbre respecto a la ocurrencia de los estados naturales.
Pregunta 2
A. Incorrecto. Los problemas de carga de maquinarias se consideran de tipo
determinstico y son estudiados e.n Investigaciones de Operaciones.
B. Correcto. El Anlisis de Decisiones es una metodologa, bsicamente para
el tratamiento de problemas de decisin bajo incertidumbre.
C. Incorrecto. Por la razn en b.
D. Incorrecto. Por una razn similar a.
29
Pregunta 3
A. Incorrecto. La decisin fue buena y el resultado no result bueno.
B. Correcto. La decisin fue buena aunque el resultado fue desfavorable.
C. Incorrecto. La decisin fue buena dada la informacin disponible.
D. Incorrecto. Igual que c.
Pregunta 4
A. Incorrecto. La ocurrencia de los estados de la naturaleza es un evento
incierto.
s.
c
om
B. Incorrecto. Si el problema de decisin ha sido correctamente estructurado, el decisor conoce los cursos de accin posibles.
fo
ro
C. Incorrecto. Si el problema de decisin ha sido correctamente estructurado, el decisor conoce el conjunto de resultados posibles.
un
a.
D. Correcto. El decisor conoce los cursos de accin posibles y el conjunto

de resultados, posibles, pero desconoce qu resultado ocurrir.
on
t
Preguntas
dm
yc
No existe una sola respuesta vlida, pues depende de los eventos que se consideren en el anlisis. A manera de ilustracin, se suministran dos tipos de
respuestas.
.a
Respuesta A
w
w
A. Usted
B. Vacunar
No vacunar
C. Perro rabioso
Perro no rabioso
D. Vacunar y perro rabioso

Vacunar y perro no rabioso
, No vacunar y perro rabioso
No vacunar y perro no rabioso
Respuesta B
A. Usted
B. Vacunar
No vacunar
30
C. Perro con rabia

Perro sin rabia
Vacuna produce efectos secundarios
Vacuna no produce efectos secundarios
D. Vacunar, no efectos secundarios y perro rabioso

Vacunar, no efectos secundarios y perro no rabioso
Vacunar, efectos secundarios y perro rabioso
Vacunar, efectos secundarios y perro no rabioso
No vacunar y perro rabioso
No vacunar y perro no rabioso
Pregunta 6
om
No existe una nica respuesta, por las mismas razones indicadas en la pregunta 5.
s.
c
Una respuesta vlida sera:
fo
ro
A. Los tres socios
a.
B. Planta alta capacidad

Planta baja capacidad
on
t
un
C. Demanda alta
Demanda baja
w
w
.a
dm
yc
D. Planta alta capacidad y demanda alta

Planta alta capacidad y demanda baja
Planta baja capacidad y demanda alta
Planta baja capacidad y demanda baja
31
UNIDAD
CONCEPTOS BSICOS OE PROBABILIDAD
Al finalizar el estudio de esta Unidad usted deber estar en capacidad de:

Aplicar, en situaciones dadas, las definiciones y axiomas de la Teora de
Probabilidades necesarias al Anlisis de Decisiones.
6)
Distinguir las diferentes definiciones de probabilidad.
on
t
un
a.
fo
ro
s.
c
om
5)
yc
Pag.
34
dm
2.1. Experimento y evento / aleatorios.
37
2.2.1. La definicin clsica

2.2.2. La definicin frecuencial.
2.2.3. La concepcin subjetiva de la probabilidad
37
37
38
w
w
.a
2.2. La definicin de probabilidad
2.3. Axiomas de probabilidad
39
Autoevaluacin
41
Solucin de la Autoevaluacin
45
33
2.1. EXPERIMENTO Y EVENTO ALEATORIOS

Un experimento aleatorio es aquel que a la vista de un observador (decisor)
produce resultados fortuitos. As por ejemplo, son experimentos o pruebas aleatorias la perforacin de un pozo petrolero, el lanzamiento de un nuevo producto
al mercado, o simplemente el lanzamiento de una moneda o un dado.
Un evento aleatorio es uno de los posibles resultados de un experimento
aleatorio.
En la perforacin de un pozo petrolero podemos proponer como posibles
estados d la naturaleza los siguientes:
6: petrleo a los 1.000 metros, o antes
fo
ro
s.
c
O : petrleo despus de los 1.000 metros
om
6 : pozo seco
cualquiera de los estados 61, 62 f? 3 , constituye un evento aleatorio asociado al

experimento aleatorio "perforacin del pozo petrolero".
yc
on
t
un
a.
Decimos que un evento aleatorio es elemental, cuando no puede expresarse

en trminos de otros eventos sencillos. Se habla tambin de evento aleatorio
compuesto, para designar a aquel que puede expresarse en trminos de otros
eventos ms sencillos.
w
w
.a
dm
En el caso del lanzamiento de un dado, el que el resultado del lanzamiento

sea cuatro, constituye un evento elemental, mientras que si proponemos el evento: "el resultado del lanzamiento es mayor o igual que cuatro" se trata entonces
de un evento compuesto, ya que el mismo se verifica si el resultado del lanzamiento es 4, 5 6. Un evento compuesto se asocia a ms de un resultado del experimento aleatorio considerado. Decimos que dos eventos son mutuamente excluyentes, si la ocurrencia de uno implica la no ocurrencia del otro. Por ejemplo, si
lanzamos una moneda al aire los eventos resultantes, cara o sello (eventos elementales) son mutuamente excluyentes. Tomemos otro ejemplo:
En el experimento aleatorio que consiste en el lanzamiento de un dado, distinguimos los siguientes eventos:
El resultado del lanzamiento es un nmero par"

A2 = "El resultado del lanzamiento es un nmero impar"
A 3 = "El resultado del lanzamiento es menor o igual que cuatro".
A! , A 2 y A 3 son eventos compuestos. Observemos que de acuerdo a la definicin, A! y A2 son mutuamente excluyentes; mientras que Al y A 3 no lo son,
ya que si el resultado de! lanzamiento es dos, se estarn verificando ambos eventos, algo similar ocurre con A2 y A 3 .
34
A la totalidad de eventos aleatorios elementales lo llamamos Espacio de

Eventos. Cuando nos referimos a la "totalidad" queremos indicar que no es posible la ocurrencia de ningn otro evento elemental distinto a los que hemos descrito o que la descripcin de los eventos realizada es exhaustiva. Diremos que un
conjunto de eventos es colectivamente exhaustivo si contempla todos los posibles
estados de la naturaleza resultantes de un experimento aleatorio dado.
om
Es importante notar que en la practica, cuando es imposible hacer una descripcin de todos y cada uno de los eventos elementales resultantes de un experimento aleatorio, se puede lograr sealar un conjunto de eventos compuestos que
abarque la totalidad de los eventos elementales, de manera tal que aquellos sean
colectivamente exhaustivos. El ejemplo de la perforacin del pozo petrolero
reportado al inicio, brinda una muestra clara de lo que acabamos de decir; ios
eventos o estados de la naturaleza dl; 82 y # 3 abarcan la totalidad de los posibles resultados del experimento aleatorio considerado; por lo tanto, constituyen
un conjunto de eventos colectivamente exhaustivos y conforman a su vez un espacio de eventos.
fo
ro
s.
c
La Teora de Conjuntos nos brinda una estructura formal sencilla dnde

apoyar estos conceptos que acabamos de ver:
un
a.
Asociaremos al espacio de eventos el conjunto universal denotado con el

smbolo 2 , Cada uno de los subconjuntos At de elementos de este conjunto
M, representar un evento aleatorio resultado del experimento aleatorio considerado, ya sea un evento elemental o compuesto.
w
w
.a
dm
yc
on
t
La figura 2.1. ilustra lo que acabamos de decir:
Fig. 2.1.
Si se cumple que la unin de todos los A considerados igual a 2, entonces

diremos que los At son colectivamente exhaustivos, valiendo tambin la afirmacin recproca:
(2.1.)
u
i
Los Aj son colectivamente exhaustivos.
FIG. 2.2.
En la figura 2.2. se cumple que AI U A 2 U A 3 = 2
om
AI , A 2 y A 3 son colectivamente exhaustivos.
f^ A -
Los A son mutuamente excluyentes.
(2.2.)
fo
ro
s.
c
Diremos que un conjunto de eventos A son mutuamente excluyentes si la

interseccin de los A es vaca, valiendo tambin la afirmacin recproca.
dm
yc
on
t
un
a.
i 1
w
w
.a
:A,=
FIG, 2.3.
n A3 = 0 y A 2 n A 3 =
En la figura 2.3 se cumple que A n A2 =
por lo que los eventos Al , A2 y A 3 son mutuamente excluyentes. Obsrvese que
en la figura 2.2 no es vlida esta afirmacin.
Las definiciones que acabamos de ver permiten afirmar que un conjunto de
eventos, son colectivamente exhaustivos y mutuamente excluyentes, si estn contemplados en el conjunto todos los estados de la naturaleza factibles y si la
ocurrencia de uno de los estados implica la no ocurrencia de cualquiera de los
restantes.
36
La figura 2.3. ejemplifica la situacin.

Tomemos otro ejemplo para fijar estas ideas.
En la figura 2.4 aparece una caja que

contiene tres bolas negras y dos bolas
blancas. Realicemos el experimentos que
consiste en extraer al azar dos bolas de la
caja. El espacio de eventos est consti
tuido por:
o
Fig. 2.4.
A = "bola blanca bola negra"

A 2 = "bola blanca bola blanca"
om
s.
c
A 3 = "bola negra bola negra"
fo
ro
Estos eventos son mutuamente excluyentes porque la ocurrencia de uno de

ellos obliga a la no ocurrencia del otro y colectivamente exhaustivos, porque slo
stos pueden ocurrir.
un
a.
2.2. LA DEFINICIN DE PROBABILIDAD
dm
yc
on
t
Dado que la irocinjlejHoJ)al^

intu"
tiva, ha sido j>bjeto de numerosas interpretaciones por parte de ma^mticos de
distintas pocas, en. el intento de formalizar e investirla del rigor caracterstico de.
todos los desarrollos de la matemtica. A continuacin veremos las distintas concepciones que hay al respecto:
.a
2.2.1. LA DEFINICIN CLASICA
w
w
Tambin denominada probabilidad[combinatoria,Lconcibe la probabilidad de un evento aleatorio como el cociente entre. eEnSmerp^ de_
resultados del expenm^
total
de resultados posibles e igualmente probables.
Esta definicin, aparte de que hace uso de la palabra "probable" que
an no se ha definido (tautologa), posee dos limitaciones en cuanto
a su aplicacin:
a) no siempre es factible enumerar exhaustivamente los resultados de un experimento
b) La suposicin de que todos los resultados puedan ser igualmente probables, no siempre es vlida.
2.2.2
LA DEFINICIN FRECUENCIAL
Esta es una definicin que se basa en la relacin intuitiva que existe
entre probabilidad y frecuencia; segn ella, la probabilidad, de un
evento es la frecuencia relativa de dicho evento en n intentos repetiDigitalizado por Liz Zambrano para www.admycontuna.mforos.com
37
dos de un experimento aleatorio, cuando n tiende a infinito. Si m es

el nmero de veces en que se verifica el evento A. en n intentos repetidos de un experimento aleatorio dado, entonces la probabilidad de
A se designa por
(2.3)
P(A)=
lim
o -> oo
Esta concepcin de la probabilidad es generalmente adoptada por los

estadsticos, y resulta de utilidad en el Anlisis de Decisiones cuando
se tratan situaciones que poseen una serie histrica de datos, suficientemente larga y en las que se puede suponer, sin cometer grandes
errores, que las condiciones en las cuales se repite el experimento se
mantienen invariables. Por ejemplo, cuando se hacen pronsticos del
estado del tiempo o de la intensidad de las precipitaciones, generalmente se toman en consideracin series de datos muy largas, producto de muchos aos de observacin.
yc
on
t
un
a.
fo
ro
s.
c
om
La concepcin frecuencial de la probabilidad no admite ninguna

influencia personal en su determinacin; supone la probabilidad
como una cualidad especfica de un objeto (como pudiera ser el peso,
el volumen o la dureza) razn por la cual a la probabilidad concebida
as se le designa tambin como probabilidad objetiva. Sin embargo,
en los ltimos aos ha cobrado cada vez ms fuerza una concepcin
que establece que la probabilidad es ms el producto de un "estado
mental" que de un estado de cosas, dicindose que la probabilidad
mide el estado de conocimiento de una persona, acerca de un fenmeno, ms que al fenmeno mismo. Esto nos lleva a una tercera
definicin.
dm
2.2.3. LA CONCEPCIN SUBJETIVA DE LA PROBABILIDAD
w
w
.a
La concepcin subjetiva define la probabilidad de un evento como el

grado de confianza que una persona posee en la factibilidad de ese
evento. En otras palabras, la probabilidad de un evento puede concebirse como un valor numrico, el cual no es ms que un ndice de la
opinin de una persona racional sobre las posibilidades que tiene ese
evento de producirse en el futuro.
Segn esta definicin, entonces, la probabilidad de un evento vara
segn la persona que lo est considerando y, tambin, para la misma
persona, segn el momento y circunstancias en los cuales asigna a
probabilidad. Esto hace pensar que tal forma de evaluar la probabilidad es un tanto arbitraria; al contrario, es una evaluacin que est del
todo de acuerdo con las reglas lgicas. Veamos, si dos personas racionales proceden de experiencias similares, si sus juicios personales
provienen ms o menos de las mismas bases, entonces ellas determinarn, aproximadamente, ios mismos valores de probabilidad para
un mismo evento; sin embargo, la concepcin subjetiva de la probabilidad admite que dos personas racionales con experiencias distintas,
puedan escoger dos valores numricamente distintos para presentar a
probabilidad de un evento, lo cual es un hecho de suma importancia
dentro del Anlisis de Decisiones, porque incorpora el conocimiento
del especialista al proceso del Anlisis de Decisiones.
38
2.3. AXIOMAS DE PROBABILIDAD

Las definiciones de probabilidad examinadas anteriormente, distintas en
cuanto a concepcin, coinciden todas en que sta es una medida numrica asociada a cada uno de los eventos que constituye el espacio de eventos.
Debido a la necesidad de que el conjunto de probabilidades asignadas bajo
una u otra concepcin, sea coherente y exento de contradicciones, se ha establecido una serie de axiomas que sealaremos a continuacin, los cuales logran, entre
otras cosas, darle al clculo de probabilidades una estructura matemtica formal,
la cual facilita cualquier desarrollo que vaya ms all de la mera definicin.
Sea 2 el espacio de eventos correspondientes a un determinado experimento
aleatorio; sea A un evento perteneciente a 2 y P (A) la probabilidad asociada a ese
evento; entonces, se satisfacen los siguientes axiomas:
fo
ro
s.
c
om
1. P ( 2 ) = 1
2. P (A) > O para todo A C 2
3. P(A! U A2 U A 3 U
) -P (AJ + P (A 2 ) + P'(A 3 ) +
si Aj n A = 0 para todo i i= i
a.
A partir de las axiomas anteriores se pueden demostrar las siguientes propiedades:

(2.4.)
(2.5.)
c) P(A) < 1
(2.6.)
on
t
un
a) P (0) = O cualquiera que sea 2

b) P(A') - l - P ( A ) donde (A' U A) - 2
.a
dm
yc
sin dificultad tambin se puede demostrar que, tratndose de eventos no excluyentes, eventos cuya interseccin es no vaca, se cumple que:
(2.7)
w
w
P ( A . u A.) = P(A) + (P(A.) -P(A n A.)'
Es importante sealar que ni los tres axiomas mencionados ni cualquiera de

las propiedades que de ellos se puedan derivar, conducen a una asignacin nica y
especfica de la probabilidad de un evento; los axiomas, simplemente clarifican las
relaciones entre probabilidades que nosotros asignamos, de manera tal de garantizar que seamos consistentes con nuestra nocin intuitiva de probabilidad. Por
ejemplo, si consideramos el diseo de una nave para llevar un hombre a la luna, el
experimento que consiste en hacer que esta nave tripulada alcance la luna puede
tener dos resultados: xito o fracaso. Por xito entendemos que el hombre llegue
sano y salvo a la luna: por fracaso cualquier otra cosa
Los axiomas ya enunciados no implican que la probabilidad del evento
"xito" deba ser 1/2, 3/4 0,998, o cualquier otro valor en particular; si denotamos esta probabilidad con P, ellos nos implicarn que O < P < 1 y que la probabilidad del evento "fracaso" es 1 P, una asignacin o especificacin real del
valor de P debe provenir de un anlisis concienzudo del experiment, y del mecanismo que est detrs de l, de las condiciones ambientales, de los datos disponibles de realizaciones anteriores de experimentos iguales o similares, y de la experiencia de quien hace la asignacin.
39
En el Anlisis de Decisiones la consideracin de esta serie de axiomas es de

utilidad porque permite que de una forma coherente sea posible:
a) Asignar las medidas de probabilidad a los eventos elementales integrantes del espacio de eventos. Si tomamos nuevamente nuestro
ejemplo de la perforacin del pozo petrolero, donde los posibles
eventos considerados eran: Q^ = "pozo seco", 02 = "petrleo a
los 1000 metros o antes" y 0 3 = "petrleo despus de los 1000
metros" y suponemos que asignamos a estos eventos los siguientes
valores de probabilidad:
? ( < 9 j ) = 0,5; P ( 0 2 ) = 0,4; P ( 0 3 ) = 0,8 vemos que siendo 6l,92 y <9 3
mutuamente excluyentes y colectivamente exhaustivos verifican que:
6 n 62 = 6, H ?3 = $ 2 O 0 3 - 0
y por tanto debera resultar, de
aplicar los axiomas 1 y 3, que
_2
i
om
P (6 ) = 1 ; fcilmente observa-
a.
Calcular las probabilidades de eventos compuestos, derivados de las

combinaciones de los eventos elementales pertinentes.
un
b)
fo
ro
s.
c
mos que segn la asignacin de probabilidades hecha, P (O j ) + P (0 2 )

4- P (0 3 ) = 1,7, que es una violacin a los axiomas, o, lo que es lo
mismo, una comprobacin de que la asignacin de probabilidades
hecha es incoherente. Incorrecta!
dm
yc
on
t
Por ejemplo, en el lanzamiento de un dado legal, la probabilidad de

que resulte 1, 2, 3, 4, 5 6 es 1/6. Utilizando el axioma 3 podemos
calcular la probabilidad del evento compuesto "el resultado del lanzamiento, r. es menor o igual que 3" (r < 3):
.a
P (r ^ 3) - P (r = 3) + P (r = 2) + P (r = 1) = + + =
6 6 6 2
w
w
dadoque {(r=3)} n{(r-2)}

{(r^2)} O {(r-1)} = 0
={(r=3)} n{(r=l)}=
c) Precisar el significado de las medidas de probabilidad asociadas con

los eventos considerados en una cierta situacin aleatoria.
Con esto queremos decir que al asignar una probabilidad cercana a la
unidad a un evento determinado, es porque lo creemos muy factible.
Contrariamente, un evento cuya probabilidad asignada sea cercana a
cero, tiene escasas posibilidades de ocurrencia.
Si la posibilidad asignada a un evento A es mayor que la asignada a
un evento B, el evento A tiene mayor posibilidad de ocurrir que el
evento B.
40
AUTOE VALUACIN
Instrucciones
A continuacin se le presentan distintas situaciones seguidas de alternativas

de respuesta. Slo una de las alternativas es correcta para cada situacin.
Determine la alternativa correcta y selela encerrando en un crculo la letra
que la identifica.
fo
ro
s.
c
om
Identifique la grfica en la cual se presentan los eventos A y B, mutuamente

excluyentes.
B)
.a
dm
yc
on
t
un
a.
A)
w
w
1.
C)
D)
41
2.
Dado , los eventos A, B, C, D son colectivamente exhaustivos.
a.
fo
ro
s.
c
om
B)
dm
yc
on
t
un
C)
.a
w
w
D)
3.
Teniendo una empresa a su disposicin las estadsticas de ventas de automviles de los ltimos cuatro aos, afirmar que la probabilidad de que esas
ventas para el ao prximo suban en un 20 por ciento es de 0,25, responde a
una concepcin de la probabilidad esencialmente.
(A\
Frecuencial
Subjetiva
C
42
Clsica
Despus ce un conjunto de pruebas debidamente especificadas, el Departamento de Control de Calidad de una empresa fabricante de lmparas incandescentes afirma que la probabilidad de que una de sus lmparas falle antes
de las 1,000 horas es de 0,05. Esta afirmacin responde a una concepcin de
la probabilidad esencialmente.
Frecuencial
Subjetiva
Frecuencial
Subjetiva
Clsica
yc
on
t
un
a.
fo
ro
s.
c
om
En una ciudad desorganizada y congestionada como Caracas, decir que la

probabilidad de que una persona que sale de su casa a las 7 a.m., llegue a su
oficina, distante 10 km, entre las 7:25 a.m. y las 7:35 es de 0,4, responde a
una concepcin.
.a
dm
El que las probabilidades de cada uno de los eventos excluyentes que constituyen exhaustivamente un espacio de eventos sumen 1, significa que dichas
probabilidades.
w
w
4.
Han sido asignadas bajo una concepcin subjetiva
Responden a la definicin frecuencial

Se ajustan a los axiomas 1 y 3
Cuando a los eventos mutuamente excluyentes que constituyen exhaustivamente un espacio, se les asigna probabilidades bajo una concepcin subjetiva,
la suma de las probabilidades asignadas.
Es siempre mayor que 1
No necesariamente es 1
tr
Es
43
SOLUCIN DE LA AUTOEVALUACION
PREGUNTA
PT
A1
\jL\
AVE
2
3
r1!
OBJETIVO EVALUADO
Cc
6
6
5
B
A
C
6
7
2.1
2.1.
2.2
2.2
2.2
2.3
2.3
5
5
6
4
5
SECCIN DE
REFERENCIA
Clave razonada
Los nicos eventos cuya interseccin es vaca son los de la situacin "B"
Pregunta 2
om
Pregunta 1
a probabilidad asignada es producto de la observacin de una

sie histica de datos, que iaidican una determinada tendencia.
Pregunta 4
Las pruebas efectuadas a las lmparas consisten en el sometimiento de un lote de las mismas a un proceso de "envejecimiento" rpido, durante e cual se hace un conteo de las que van
fallando. La probabilidad es un cociente entre el nmero de
ii^pai'ss qua fallan antes de un determinado tiempo y el nmero total de las sometidas a prueba. Vale la pena aclarar que si la
asignacin de probabilidad es hecha tomando en consideracin
los resultados de "muchas" pruebas, estar involucrando un
concepto estadstico y por io tanto entra en juego la concep-
Pregunta 5
.a
dm
yc
on
t
un
a.
Pregunta 3
w
w
fo
ro
s.
c
situacin en la cual A U B u C u D = 2esla "A".
Es claro que lo ms importante en la asignacin de probabilidad

que se hace, en este caso es la experiencia de quin la hace y por
supuesto las circunstancias en que la hace. Son tantos los factores no determinados que entran en juego, que la probabilidad
que pueda asignar una persona que no conozca la ciudad ser
seguramente bien distinta de la que asigne un caraqueo, some-
Pregunta 6
Son los axiomas los que especifican coherentemente las relaciones entre las medidas de probabilidad de los eventos de un experimento aleatorio dado y no la concepcin misma de la probabi-
Pregunta 7
La misma razn de la pregunta 6.
45
UNIDAD 3
INFORMACIN Y ASIGNACIN DE
PROBABILIDADES

Relacionar el problema de la asignacin de probabilidades con la disponibilidad de informacin.
8)
Aplicar el clculo de probabilidades para la incorporacin de informacin en

la asignacin de la probabilidad de un evento.
un
a.
fo
ro
s.
c
om
7)
on
t
Pag.
48
50
.a
dm
3.2. Probabilidad condicional
yc
3.1. Asignacin de probabilidades e informacin
55
3.3. Independencia de eventos
Autoevaluacin
61
w
w
3.4. El teorema de Bayes
65
47
8.1. ASIGNACIN DE PROBABILIDADES E INFORMACIN

Cada una de las definiciones de probabilidad que analizamos en la Unidad 2
encierra, en cierta forma, un modo de asignar la probabilidad de un evento aleatorio que es realizacin de una prueba o experimento tambin aleatorio.
Para los efectos del Anlisis de Decisiones, aunque existe una tendencia o
inclinacin que hace que la asignacin de la probabilidad de un evento sea sugerida por una concepcin subjetiva, es difcil establecer una norma que sea capaz de
abarcar todas, o ni siquiera una parte, de las situaciones de decisin imaginables.
Esencialmente, la probabilidad que podamos asignarle a un determinado evento o
estado de la naturaleza est relacionado con el grado de informacin que poseamos respecto a la ocurrencia de dicho evento y con nuestra propia capacidad de
interpretar (valorar) esa informacin.
om
Supongamos por ejemplo el lanzamiento de un par de dados "idnticos" y el

problema de asignar la probabilidad del evento "el resultado del lanzamiento es
dm
yc
on
t
un
a.
fo
ro
s.
c
Si previo al lanzamiento no se nos permite examinar los dados y por ende

suponemos que se trata de un par legal, bien construido, si adems desconocemos
los resultados de cualquier otra prueba anterior realizada con ese mismo par de
dados, entonces el problema de asignar la probabilidad al evento considerado se
limitar, solamente, a determinar el nmero de los posibles resultados del lanzamiento, el nmero de los resultados favorables al evento y a efectuar el cociente.
Veamos: los posibles resultados son (1,1); (1,2), (1,3), (1,4); (1,5); (1,6); (2,1);
(2,2);
..; (6,5); (6,6), y hacen un total de 36. Si partimos de que cualquiesa de
estos 36 posibles resultados es igualmente probable, lgicamente asignaremos al
evento "(1,1)" 1a probabilidad p = 1/36. Para hacer esta asignacin no dispusimos
de ninguna informacin especial acerca del experimento y de sus posibles realizaciones, simplemente aplicamos la definicin clsica de probabilidad, por ser la
que ms se ajustaba a la situacin planteada.
w
w
.a
Supongamos ahora que seguimos sin poder examinar los dados pero que esta
vez alcanzamos a obtener una tabla de valores donde aparecen los resultados
observados despus de haber realisado 1
lanzamientos consecutivos del par de
dados en cuestin (tabla 3.1).
Tabla 3.1.* Resultados de mfl lanzamientos
consecutivos de un per de dados.
Evento
(i,D
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,3)
(3,4)
(3,5)
(3,6)
(4,4)
(4,5)
(4,6)
(5,5)
(5,6)
(6,6)
No. de veces que se

verific el evento
44
43
24
46
46
41
26
44
43
20
40
17
1000
48
En estas condiciones es lgico pensar que si el "comportamiento" del

par de dados ha sido el que describe
la tabla para 1,000 realizaciones
consecutivas, para la realizacin No.
1001 ese "comportamiento" se
mantenga. Esto es un raciocinio
tpico de la Estadstica; de la tabla
de valores que en definitiva es una
informacin podemos asignarle al
evento "(1,1)" la probabilidad de
59/1000.
59
84
85
74
76
79
23
45
41
Este procedimiento de asignacin es

el que se desprende de la concepcin frecuencia! u objetiva, de la
probabilidad.
Por ltimo, supongamos que no disponemos de la tabla de valores anterior,

sino que en cambio tenemos la posibilidad de tomar en nuestras manos el par de
dados.
Examinndolos cuidadosamente notamos, aun sin disponer de algn instrumento de medicin, que mientras a la vista ambos dados son iguales, uno de los
tiene un peso distinto y que, adems, ese peso parece estar concentrado casi
exclusivamente sobre la cara opuesta al "uno"; esto nos advierte, obviamente, que
para ese dado el resultado "uno" es particularmente favorecido, a tal punto de
qu en el lanzamiento del par de dados es "altamente probable" el que al menos
uno de ellos resulte "uno"; de esta manera no sera muy arbitrario si, por ejemplo,
hiciramos la asignacin 1/18 a la probabilidad de que se realice el evento "(1,1)".
Veamos que siendo esta asignacin nuevamente subjetiva, no procede puramente del capricho de quien lo hace, sino que es el producto de haber tenido conocimiento de una situacin y racionalmente haber hecho una estimacin de las posibilidades de realizacin de un evento futuro.
on
t
un
a.
fo
ro
s.
c
om
Un ejemplo reportado en la bibliografa es el del astronauta que va a ser

lanzado al espacio en una misin de circunvalacin a la tierra. Cuando se est
introduciendo en la cpsula pregunta al Supervisor de Lanzamiento: "Por curiosidad cul es la confiabilidad de este cohete?" El Supervisor responde: "Noventa y
nueve por ciento; estimamos que en cien lanzamientos slo un cohete puede
fallar". El astronauta confa pero an tiene ciertas reservas sobre el xito de la
misin y pregunta de nuevo: "Esos cohetes que estn all cerca, son del mismo
tipo del que voy a usar yo?" El Supervisor responde: "Son idnticos". El astronauta sugiere: "Por qu no se lanzan unos cuantos antes que el mo para as
sentirme algo ms seguro?"
w
w
.a
dm
yc
Se lanza un primer cohete tripulado por un piloto artificial. Cae en el

ocano. Fracaso total. El Supervisor comenta: "Resultado desafortunado, trataremos de nuevo". El segundo cohete explot en el aire. Lanzan un tercer cohete con
el resultado desastroso de desintegrarse antes del lanzamiento. Llegado este
momento, el astronauta resignado es enviado a casa. Nada podr convencerle que
la confiabilidad es del 99% -
Pero en realidad, qu es lo que ha cambiado? Su cohete no puede ser

afectado fsicamente por la falla de otro; el sistema de pilotaje, el motor, todo
est exactamente en las mismas condiciones que antes de efectuar las anteriores
pruebas. Si considerramos la probabilidad como un "estado de cosas", la confiabilidad del cohete debera continuar siendo 99% . Pero, por supuesto no es as.
Despus de observar la falla del primer cohete, el astronauta ha podido evaluar la
confiabilidad del suyo, digamos que en un 90 %> despus de la segunda falla, en un
70% y finalmente, despus de la tercera digamos que a lo sumo en un 30%. Lo
que ha sucedido *s que su estado de conocimiento sobre su propio cohete ha sido
influido por lo que le ha sucedido a los cohetes gemelos de donde, l estima que la
probabilidad debe decrecer. Es tan baja la confiabilidad estimada que sin duda no
arriesgar la vida.
De nuevo colocamos en realce la influencia que tiene el grado de informacin
que se posee para la asignacin de la probabilidad. Este grado de informacin,
claro est, dependiendo de las situaciones y circunstancias, puede variar en un ran49
go muy extenso; hay situaciones de las que se tiene un conocimiento slido, producto de muchos aos de experiencia, as como otras de las que se poseen simplemente algunos indicios o una vaga idea proveniente de unos cuantos datos. Es por
olio que resulta difcil establecer un procedimiento que permita, en forma simple,
eficiente y ms o menos precisa, hacer asignaciones de probabilidad.
En la prctica, cuando los problemas conciernen a una organizacin, empresa
o institucin, las variables involucradas en ei proceso de decisin, que representan
estados de la naturaleza cuya probabilidad hay que asignar, se clasifican por especialidades y se designa dentro de la organiacin a la(s) persona(s) que mayor conocimiento tiene(n) sobre cada grupo de variables, para realizar las respectivas asignaciones; as, las variables tecnolgicas se asignan al Departamento de Tecnologa,
las variables de mercadeo al Departamento de Mercadeo, etc
s.
c
om
Sin duda, que en este proceso de asignacin intervienen mecanismos psicolgicos particulares; entre otras cosas, por ejemplo, cuando el especialista es interrogado por su conocimiento sobre cierta materia, puede creer que se est tratando
de evaluar su persona y no su conocimiento. Es por ello que han sido diseados
procedimientos que permiten salvar, en una cierta medida, ste y otros obstculos
y que se han demostrado bastante eficaces en la prctica.
fo
ro
Esencialmente, para la asignacin de la probabilidad de un evento dado es

necesario observar conjuntamente los aspectos siguientes:
a.
a) Las caractersticas fsicas inherentes al evento
un
b) La rata de ocurrencia del evento en situaciones pasadas (si existieron)
on
t
c) Las relaciones entre el evento y otros posibles
yc
d) La opinin de los especialistas
.a
dm
e) Cualquier informacin disponible relacionada con el evento, que se

considere confiable
w
w
Claro est, que segn sea la naturaleza del evento, cada uno de los puntos
anteriores tendr mayor o menor importancia. Por ejemplo, en la asignacin de la
probabilidad de falla de una turbina de avin a reaccin, son de especial importancia la consideracin de los aspectos fsicos, la tecnologa empleada en la fabricacin y la observacin de las estadsticas referentes a las pruebas efectuadas previamente. Mientras que en la asignacin de la probabilidad de que los precios de
venta del petrleo, para el segundo semestre del ao prximo estn por debajo de
los treinta dlares el barril, es fundamental la opinin de los expertos en la
materia, la relacin del evento con acontecimientos polticos, blicos, etc., y toda
informacin colateral que tenga algo que ver.
En la Unidad 4, cuando tratemos la Metodologa de la Asignacin, volveremos sobre este punto ms extensamente; por ahora continuaremos con otros
conceptos que son imprescindibles para el estudio de tal metodologa.
3.2. PROBABILIDAD CONDICIONAL
Como ya se ha hecho resaltar, la probabilidad que asignamos a un evento est
sujeta a cambios, segn vara nuestro grado de informacin respecto al fenmeno
analizado y su entorno.
Supongamos por ejemplo, que hemos comprado un nmero de una rifa de

mil boletos; en el momento de la adquisicin estimamos obviamente que la probabilidad de resultar favorecidos con e premio es 1/1.000, Un da antes del sorteo
nos enteramos que al promotor de la rifa logr colocar solamente 935 boletos y
que los no vendidos no vau a concurso. Con esta informacin resulta claro que la
probabilidad de obtener el premio se eleva a 1/935.
Este ejemplo ilustra, en forma sencilla, lo antes dicho en referencias que la
probabilidad asignada a un evento est condicionada al grado de informacin
disponible.
Hasta e! momento no hemos formalizado una notacin que indique claramente este condicionamiento, lo que haremos a continuacin:
Sea E un evento o estado de la naturaleza cualquiera, cuya probabilidad
debemos asignar y sea C otro evento o estado de la naturaleza.
om
Denotamos por P (E/C) a la probabilidad de que E ocurra bajo el hecho de

que C se ha verificado.
a.
fo
ro
s.
c
De esta manera, la ocurrencia de C es considerada por el decisor como una

informacin, P (E) es la probabilidad asignada al evento E antes de recibir la
informacin, tambin llamada probabilidad inicial o probabilidad a priori, mientras que la probabilidad P (E/C) es la probabilidad asignada a E, despus de haber
recibido la informacin llamada probabilidad final o a posteriori.
on
t
un
A P (E/C) comnmente se le designa como probabilidad condicional del

evento E respecto a C, o simplemente la probabilidad de E dado C,
P ( E n C)
'
.a
P ( E/C) =
; P (C) * O
w
w
(3.1.)
dm
yc
Esta probabilidad condicional P (E/C), corrientemente se define como el

cociente entre P (E O C) y P (C) siempre que P (C) * O
Veamos ahora el siguiente ejemplo.

Supongamos que e condominio de un edificio realiza peridicamente la
adquisicin de lmparas incandescentes en un establecimiento comercial que a su
vez se surte de dos proveedores. El primero (A) suministra el 70% del total de
lmparas y el segundo (B) el 30% restante.
En promedio, slo son normales * 85 lmparas de cada 1UU vendidas por el
proveedor (A) y 65 de cada 100 vendidas por el proveedor (B).
Todos estos datos son ignorados por el condominio, quien posee como nica
informacin, producto de observar los resultados de compras anteriores, que de
cada 100 lmparas adquiridas slo setenta y nueve son normales; condicin bajo
la cual, si tuviera que asignar una probabilidad al evento "comprar una lmpara
normal" dim:
79
Se consideran normales aquellas lmparas cuya vida mnima es de setecientas horas de
encendido.
51
Supongamos ahora, una ocasin en que el condominio va a realizar la compra

de un lote de lmparas y recibe la siguiente confidencia de uno de los empleados
del establecimiento:
"La existencia actual de lmparas es enteramente suministrada por el provee: A, cuya proporcin de lmparas normales es de 85 %"
Bajo esta condicin, la asignacin de probabilidad para el evento "comprar
una lampan 3onn^r' ser lgicamente
100 - 0,85
La diferencia entre esta asignacin y la anterior radica en que se produjo un
cambio en las condiciones en que se realizaba la adquisicin de las lmparas. Un
mismo evento: "La compra de una lmpara normal" tiene asignadas dos probabilidades distintas, pero en condiciones (estados de informacin) tambin distintas.
fo
ro
s.
c
om
Si designamos c 10 E el evento "compra de una lmpara normal" y C el

evento "fue suministrada por el fabricante (A)", entonces, P (E) designa la probabilidad incondicional de evento E y P (E/C) la probabilidad del mismo evento
pero suponiendo que C se ha producido previamente. Tendremos pues:
P (E/C) = 0,85
a.
P (E) - 0,79
w
w
.a
dm
yc
on
t
un
Viene al caso hrcer n.otar que, en rigor, cada probabilidad es condicional: en

el verdadero sentido ie la palabra, no existe una probabilidad no-condicional. En
la mayora de los problemas concretos hallamos que todas las operaciones y
estados de la naturaleza examinados se basan en un sistema o conjunto de condiciones, que se acepta como hiptesis previa a cualquier anlisis. Si en la asignacin
y clculo de las probabilidades no se toma en cuenta ninguna otra condicin ajena
a tal conjunto o sistema, entonces las probabilidades consideradas son no-condicionales. En nuestro ejemplo, el conjunto de condiciones que tcitamente aceptamos como hiptesis previa, es que las lmparas incandescentes consideradas son
producidas de acuerdo a normas y especificaciones comerciales de calidad comnmente aceptadas y prefijadas.
Si adems de tal conjunto de condiciones aceptado tcitamente, existe otro
que siendo ajeno a aqul, se toma en particular consideracin en el momento de
realizar la asignacin de probabilidad, entonces, tal asignacin est condicionada y
a ese oonJr.^r-o lo denominaremos "Evento condicionante". AI espacio de evento
original,, modificado por la informacin aportada por el evento condicionante, lo
denominaremos "Espacio condicional de eventos".
Consideremos al conjunto de eventos elementales que constituyen el
espacio representado en la figura
3.1.; siendo las probabilidades
asignadas a cada una de ellos, respectivamente, P (e t ), P (e 2 ), P (e 3 ),
P (64) Y P (e s ), se debe cumplir que
i 1
Supongamos ahora que recibimos informacin adicional sobre el experimento, la cual nos indica con certeza que los eventos e2 y e4 no ocurrirn; esta informacin constituye el evento condicionante O "no ocurre e2 y no ocurre e " y se
refleja en la figura 3.2. En estas condiciones, los nicos eventos posibles son e ,
fig. 3.2.
on
t
un
a.
fo
ro
s.
c
om
e3 y e s de tal forma que la informacin obtenida (evento condicionante) permite

ubicarnos en un nuevo espacio de eventos representado en la figura 3.3. que es el
espacio condicional de eventos.
dm
yc
Este nuevo espacio debe satisfacer los axiomas de probabilidad, de tal forma
que P (e,/C) + P (e 3 /C) + P (e s /C) - 1
.a
Veamos el ejemplo siguiente:
w
w
Tomemos dos cajas idnticas, representadas en la figura 3.4. con la siguiente

composicin: caja 1, cuatro pelotas negras y una blanca; caja 2, tres pelotas
blancas y dos negras.
Supongamos que al azar extr

una pelota, cul ser la probabilidad de
que sea negra? Cul ser la
idad de que sea blanca?
53
Consideremos el espacio de eventos 3 = Al, A 2 , A 3 , A4 representado en la

figura 3.5. donde A! , A 2 , A 3 y A4 son:
A j ; "la pelota es negra y proviene
de la caja 1"
A 2 : "la pelota es blanca y proviene
de la caja 1"
A 3 : "la pelota es blanca y proviene
de la caja 2"
A 4 : "la pelota es negra y proviene
de la caja 2"
om
Se cumplen
fo
ro
fig. 3.5.
s.
c
U A=
Consideremos: N = "extraer una pelota negra"
un
a.
B - "extraer una pelota blanca"
on
t
supongamos que ocurre el evento condicionante
yc
Cj ~ "la oelota procede de la caja 1*'
.a
dm
(que equivale decir que la pelota no podr provenir de la caja 2). Nuestro espacio
condicional de eventos estar representado en la figura por la parte punteada; en
dicho espacio se cumple:
w
w
i = l/5
P(N/C t ) + P(B/C 1 ) = 1
s por el contrario ocurre

C2 = "la pelota procede de la caja 2", nuestro espacio condicional de eventos
es el que representa la parte rayada de la figura y en el mismo se cumple
P(N/C 2 ) - 2/5 y
P(B/C 2 ) - 3/5
P(N/C 2 ) + P(B/C 2 ) - 1
si consideramos ahora P (
A! = N n C , = N C ,
A4 = N n C 2 - N C 2
P (C 2 ) = 1/2 vemos que
54
3.1. podemos determinar
- P(N/C t ) P ( C , ) = 4/5 1/2

P(Ai) = 4/10
P(A 4 ) - P ( N C 2 ) - P(N/C 2 ) P ( C 2 ) = 2/5 1/2

P(A 4 ) = 2/10
om
de la figura 3.5 queda claro que N = Al U A 4 , as como tambin B = A2 U A 3 de

modo tal que gracias al axioma 3 podemos escribir P (N) = P (Aj) 4- P (A 4 ), o sea,
P (N) = 4/10 4- 2/10 = 6/10. En forma similar se puede determinar P (B), el cual
debe ser 4/10.
s.
c
3.3. INDEPENDENCIA DE EVENTOS
un
a.
fo
ro
Consideramos de nuevo los eventos E y C de la seccin anterior. Supongamos

que en forma separada tratarnos, por un lado de asignar la probabilidad al evento
E antes de recibir la informacin de que ha ocurrido el evento C (o suponiendo
que C no ha ocurrido) y por otro, de asignar la probabilidad al mismo evento E,
paro partiendo de la ocurrencia de C. Si despus de hechas estas asignaciones
encontramos que
dm
yc
on
t
P (E) - P (E / C)
w
w
.a
podemos inmediatamente deducir que la ocurrencia de C no tiene influencia

alguna en la probabilidad de ocurrencia del evento E, es decir, que E es independiente de C. Es fcil notar que si E es independiente de C, se cumple
P ( E n C ) = P(E) - P(C)
(3.
Ilustraremos la definicin mediante un ejemplo.

Un caraqueo desea ir a pasar el fin de semana al Litoral y sin duda que la
pregunta obligada ser la de si habr o no buen tiempo en la playa. Consideremos
los eventos o estados de la naturaleza siguiente:
0 "habr sol radiante en la playa"
0 "hay mal tiempo en Caracas"
supongamos ahora que nuestra vacacionista decida hacer una asignacin de probabilidad para los eventos 6 1 y Q , / 0 2
sean estas asignaciones
PM -0,9
y
P ( 0 i / 0 2 ) = 0,9
55
de ellas se desprende que los eventos 61 y 0 2 son independientes. Observemos

que, aunque a primera vista parezca ilgica la asignacin de probabilidades hecha
por el vacacionista, es posible que est fundamentada en algn reporte meteorolgico que l considera muy confiable, el cual "asegura" que durante el fin de semana en cuestin, aun cuando se prevn seras amenazas de lluvia en la ciudad, en el
Litoral habr casi ciertamente, un esplndido sol.
3.4. EL TEOREMA DE BAYES
Tomemos de nuevo el ejemplo de las lmparas incandescentes de la seccin

3.2.; podemos deducir del enunciado del mismo, que los eventos
Cj : '"la lmpara es de las suministradas por el primer proveedor"
C2 : "la lmpara es de las suministradas por el segundo proveedor"
s.
c
om
son eventos mutuamente excluyentes y colectivamente exhaustivos, esdecir^rlo

4100 de ellos tiene necesariamente que ocurrir y ningn otro es factible. Tenemos
tarrBlnûVlas probabilidades iniciales son
P ( C 2 ) = 0,30
a.
adems, designando con E el evento
fo
ro
P d ) = 0,70
un
E: "la lmpara comprada es normal"
on
t
tenemos que
dm
yc
P(E/C,) - 0,85
P(E/C 2 ) = 0,65
w
w
.a
si nos referimos a las figura 3.4. que representa la situacin en cuestin, vemos
claramente que:
E = (E n C , ) U (E o C 3 ),
gracias al axioma 3 podemos escribir:
P (E) = P (E O C,) + P (E D C 2 )
C2
fiiZ.3.4,
la cual usando la ec. (3.1) se convierte en

P(E) = P(E/C,)
+P(E/C2)
(3.3)
esta ecuacin es la llamada Ley de las probabilidades totales y en su forma ms

general se escribe:
--
PE/OJ) P(C)
i1
56
(3.4)
sustituyendo valores en la (3.3.) tenemos.

P (E)-0,85 0.70 + 0.65 0.30
P (E) = 0,79
Es interesante observar que si bien anteriormente habamos dado el valor de
P(E) como una asignacin hecha por el condominio, despus de una larga y poco
comn observacin de las compras anteriores, tal valor de probabilidad puede ser
fcilmente calculado, como acabamos de hacer, siempre que se disponga de los
valores de P (C), P (C 2 ), P (E/Cj), P (E/C 2 ) que supusimos ignorados por el condominio.
Supongamos ahora que estamos interesados en determinar la proveniencia de
la lmpara, sabiendo previamente que se trata de una lmpara normal, o sea,
supongamos que queremos determinar los valores
P(C 2 /E)
om
s.
c
P((VE)
fo
ro
tambin llamadas probabilidades finales.
Si escribimos
un
a.
P(C! n E) = FfCi/E) P(E)
on
t
y su simtrica
dm
yc
P(E n C J - P E / C J - P(C,)
.a
dado que
vale entonces
w
w
E n d) = (Cl H E )
PCi/E) - P(E) = P(E/C,) P ( C j )
de donde
P(C,/E)
I \^l / U I
=
P(E)
que es la expresin del Teorema de Bayes cuya forma generalizada se escribe:

P(E/C,) P ( C j )
P(E)
P (C,/E) 3
._,
3 =1
.
k
/oc,
(3-6J
o haciendo uso de la 3.4

P(Cj/E)=
j=1
(3.7)
2 P(E/C P(C^
i =i
57
de esta forma, para nuestro ejemplo,
P(C!/E)= P(E/C,) - P ( c t )
P(E)
0..85 0,70
P(Cj/E) =
0,79
0,75
P(E/C 2 ) P ( C 2 )
F(C 2 /E) -
P(E)
J3,6b 0,30
P(C 2 /E) -
om
0,25
fo
ro
P(C,/E) -
0,79
s.
c
P(C 1 /E) =
un
a.
stas son las probabilidades finales o o posterion que no son ms que las prooabilidades a pnon corregidas o modificadas por la informacin contenida en el hecho
de que la lmpara comprada ha resultado normal.
es oportuno detenerse ante el hecho siguiente:
on
t
En sste i
w
w
.a
dm
yc
Tanto P (Cj/E) como P (E/C.) son probabilidades condicionales que son susceptiles de ser evaluadas en foi-ma autnoma,, aplicando cualquiera de los critetrios de asignacin discutidos anteriormente; sin embargo, en cuanto a dificultad,
existe una gran diferencia entre asignar la probabilidad P (C./E) y asignar la probabilidad P (E/C.). Notemos que mientras la evaluacin de P (E/C.) es un proceso
que va de lo general a lo particular, ia evaluacin de P (C-/E) implica un proceso
inverso; se puede decir, prcticamente, que la diferencia entre un proceso y otro
es la misma diferencia que existe entre el proceso de interpolacin de un valor
dentro de una tabla de valores y el proceso de extrapolacin. Indudablemsnte que lo primero es mucho ms simple y menos riesgoso que lo segundo.
En el ejemplo de las lmparas incandescentes que acabamos de examinar, el

evaluar, P (E/C t ) es un proceso que est exclusivamente ligado al conocimiento
de los estndar de calidad del proveedor No. 1, o sea, bajo el estado de conocimiento de que la lmpara proviene de tal proveedor, la probabilidad de que dicha
lmpara sea o no defectuosa es una mera consecuencia de los estndares de calidad
de dicho fabricante. Mientras, en la evaluacin de P (Cl /E) pretendernos conocer
que la lmpara proviene de tal o cual fabricante, partiendo del simple hecho de
que la misma es normal. Esto es evidentemente mucho ms difcil que lo primero,
y de all se desprende precisamente la importancia del Teorema ds Bayes, porque
partiendo de las probabilidades a priori o iniciales.
,k
58
y de las verosilimitudes como tambin son" llamadas las
P(E/Cj) }
i = l,...-
permite determinar mediante la ec. 3.7, las nrobabilidades a posteriori, o finales

P (C/E),
j = 1 ...... , k
Para fijar las ideas examinemos un segundo ejemplo.

Pongamos el caso de una empresa fabricante de bienes de consumo masivo
que ha desarrollado un nuevo producto.
fo
ro
s.
c
om
Los analistas de la empresa han determinado que la fabricacin de este producto entra dentro de los cnones aceptables de rentabilidad, slo si del mismo se
produce un volumen no inferior a las 1000 unidades mensuales, a partir del cual
los precios de venta comienzan a ser competitivos en el mercado,
a.
Actualmente la empresa ha establecido una lnea de produccin experimental que puede arrojar un mximo de 10 unidades semanales.
on
t
un
El problema consiste en determinar la conveniencia o no de implantar una

lnea de produccin definitiva, capaz de permitir la colocacin en el mercado de,
por lo menos, 1000 unidades.
.a
dm
yc
Entre las etapas importantes en el anlisis de la decisin est la de evaluar o

estimar la probabilidad de que ese mercado pueda o no absorber un mnimo de
1000 unidades.
w
w
Con la intencin de hacer una exploracin antes de tomar cualquier decisin

definitiva, se procede a lanzar el producto dentro de un segmento restringido del
mercado, aprovechando la capacidad de produccin de la lnea experimental. (La
conveniencia o no de esta exploracin est relacionada con el costo de la informacin, que es un concepto que estudiaremos en el Mdulo II).
Como estados de la naturaleza para el mercado global podemos tomar:
0^ : "El mercado global es favorable, se venden 1000 o ms unidades del
producto por mes"
Q2
: "Lo contrario de 0^'
para la muestra de mercado, o sea, para el sector donde se piensa introducir la

produccin de la lnea experimental, podemos considerar los siguientes estados de
la naturaleza:
/is : "La muestra de mercado es favorable, se vende toda la produccin experimental*'
2 : "Lo contrario de MI "
59
Supongamos que una vez efectuada y evaluada la exploracin del mercado,

resulte que el estado JLI se verifica y que las probabilidades iniciales, o estiinacio
nes a priori para 61 y 62, sean las siguientes:
P ( 0 j ) = 0,6
P ( 0 2 ) = 0,4
De experiencias pasadas en campos similares, se conocen los siguientes

valores para las verosimilitudes.
P ( M i / 0 i ) = 0,9
P ( M , / 0 2 ) = 0,3
Ntese que estos valores representan la confiabilidad de los resultados de la

exploracin de mercado.
Las probabilidades a posteriori, o corregidas por la informacin que ha suministrado la exploracin sobre el mercado muestral son:
fo
ro
s.
c
om
i ) Y P (0 2 / M i ) Q ue utilizando el Teorema de Bayes resultan
un
a.
0,9 0,6
0,9 0,6 + 0,3 0,4
w
w
.a
dm
yc
on
t
- 0,82
0>3 0,4
0,9 - 0,6+0,3 - 0,4
- 0,18
60
En la asignacin de las probabilidades de ocurrencia de los eventos que

aparecen a continuacin en la tabla, seale entre los aspectos siguientes:
Las caractersticas fsicas inherentes al evento
La rata de ocurrencia del evento en situaciones pasadas (si

existieron)
Las relaciones entre el evento y otros eventos posibles
La opinin de los especialistas
Cualquier informacin disponible relacionada con el evento

que se considere confiable
om
s.
c
El aspecto ms importante a considerar.
fo
ro
(Coloque en la columna de la derecha la letra correspondiente a la respuesta

elegida).
a.
TABLA
ASPECTO
on
t
un
EVENTOS
Obtener un premio en la lotera
2)
Que en los Valles de Aragua, para el

segundo semestre del ao prximo, el
ndice pluviomtrico estar entre los
95 y 100 mm
3)
Que la conversacin telefnica entre,

un par de corresponsales cualesquiera,
de cualquier parte del mundo civilizado,
se lleve a cabo sin interferencias
apreciables
4)
Que sea vendida la totalidad de la

produccin mensual de un nuevo
detergente que se introduce en el
mercado
5)
Que en los prximos seis meses sea

descubierta la cura contra el cncer
6)
Que para el ao 2000 deje de ser el

hambre una de las principales causas
de muerte
7)
San* de su casa y resultar atracado
.a
dm
yc
1)
w
w
1)
61
2)
El departamento de procesamiento de datos de una empresa opera tre

computadoras que manejan el 20%, 50% y 30%, respectivamente, del volumen total del trabajo generado por la compaa. Las probabilidades de que
estas computadoras cometan errores son respectivamente 5%, 15% y 8%
Determinar la probabilidad de cometer un error en el departamento de
procesamiento de datos de la compaa.
P = 0,891
(c)
P = 0,109
P = 0,280
om
p- 0,720
Supngase una prueba de embarazo (E) que cumple las propiedades siguientes:
fo
ro
s.
c
3)
P (A/E) =0,95 y P (A/E') - 0,95
un
a.
donde:
on
t
E denota el evento "la paciente est embarazada",
yc
A denota el evento "la prueba indica que la paciente est embarazada^
.a
dm
Suponga que la probabilidad de que la mujer que se somete a la prueba est

embarazada sea de 0,05.
w
w
Calcule la probabilidad de que, dado que la prueba diagnostica embarazo, la

mujer realmente lo est:
A
0.087
0.913
0.005
O.S95
4)
Para las elecciones presidenciales del ao prximo se lanzan dos candidatos;

los observadores polticos estiman que las probabilidades de triunfo de los
candidatos A y B son respectivamente 0,6 y 0,4.
Los especialistas en comunicacin de masas del partido del candidato B, para
mejor orientar la campaa electoral, deciden contratar los servicios de .empresa encuestadora, la cual tiene un gran prestigio basado
resultados:
62
a)
En el 90% de los casos en que las encuestas han dado como

vencedor a un candidato, ste efectivamente ha triunfado.
b)
En el 30% de los casos en que las encuestas han dado como

vencedor a un candidato, ste ha perdido.
s.
c
fo
ro
m
a.
0,82
un
on
t
0,18
yc
dm
0,54
.a
0,46
w
w
om
Si una vez efectuada la encuesta, sta pronostica como vencedor al candidato

B, cmo se modifica la probabilidad de triunfo que le haban asignado los
observadores con esta informacin?
63
SOLUCIN DE LA
PREGUNTA
CLAVE
AUTOEVALUACION
OBJETIVO EVALUADO
SECCIN DE
REFERENCIA
3.1
1.2.
3.1
1.3.
3.1
1.4.
3.1
1.5.
3.1
1.6.
3.1
1.7,
3.1
3.2
om
1.1
3.4
a.
fo
ro
s.
c
3.3
on
t
un
Clave Razonada
yc
Pregunta 1
Naturalmente que desde el punto de vista estrictamente racional, la

probabilidad de obtener un premio en la lotera tiene que ver esencialmente con el nmero de acciones compradas y el nmero total de
acciones emitidas. Queda claro, sin embargo, que muchos de los
asiduos jugadores asignan sus probabilidades tomando en consideracin una serie de factores que muchas veces rayan en lo metafsico
(sueos, apariciones, etc.)
Evento 2
De los fenmenos metereolgicos, desde hace muchsimos aos se

llevan estadsticas que, cientficamente, arrojan estimaciones confiables sobre los mismos.
Evento 3
Este es un evento que esencialmente est sujeto a los aspectos tecnolgicos de los equipos empleados para su suceso, del diseo adecuado
de los sistemas y de las caractersticas fsico-ambientales de donde se
se lleva a cabo la prueba (conversacin telefnica).
Evento 4
Esto depende fundamentalmente de la correlacin entre el nuevo

producto y sus competidores en el mercado, (publicidad, distribucin, saturacin del mercado, etc.).
Evento 5
Este evento depende, fundamentalmente, del estado actual de los

estudios y las investigaciones efectuadas por los especialistas y estimaciones 4e stos, los aspectos esenciales a considerar en la asignacin
dla probabilidad.
w
w
.a
dm
Evento 1
65
Evento 6
Misma razn anterior.
Evento 7
Sin duda que en este evento lo esencial es considerar caractersticas,

como el lugar del hecho, la fecha del mes, la hora del da, el aspecto
fsico de la vctima, pero tambin podran considerarse el ades
delictivo para el momento en que ocurre, el ndice del desempleo en
la zona, el ingreso per cpita y su distribucin en las distintas capas
sociales, el nmero de agentes policiales por habitante, y otros aspectos que hubieran dado como respuesta correcta una combinacin ds
las letras B), C) y E).
om
Este hecho, antes de crear confusin en el estudiante, debe hacerle

reflexionar sobre la materia que se est tratando, por cuanto -^
importante que note que hay situaciones en las cuales es difcil establecer, apriori, un criterio de asignacin de probabilidades; en definitiva todo depender de la situacin particular y del grado de informacin disponible, como ya se ha dicho.
P (A) = 0,20
fo
ro
De los datos del problema se tiene
s.
c
Pregunta 2
un
a.
P (E/A)-0,05
on
t
P (B) - 0,50
P(E/C) = 0,
.a
dm
yc
P(C)-0,30
P(E/B) = 0,15
w
w
segn la frmula de las probabilidades totales tenemos

P ( E ) - P ( A ) P (E/A) + P (B) - P(E/B) + P ( C ) P (E/C)
sustituyendo
P (E)-0,20 - 0,05 + 0,50 - 0,15 + 0,30 - 0,08
P (E)-0,109
Pregunta 3
P(A/E) -0,95
P (AVE') -0,95
P (E/A) = ?
.1
P (E/A)
P (E/A) -
P (E) - 0,005
66
Aplicando el Teorema de Bayes
P (E/A) -
P(A/E) - P(E)
P (A/E) P (E) + P (A/E) P (E')
0,95 0,005
0,95 0,0005 + 0,05 - 0,995
P (E/A)
P (E/A) - 0,087
P(A/E')=1-P(AYE')
P (A/E1) = 1-0,95 = 0,05
Pregunta 4
om
Consideremos los siguientes eventos:
s.
c
î : "el candidato B perder"
fo
ro
*2 * "candidato B vencer"
a.
un
M 2 : "la encuesta da como vencedor a B"
M j : "la encuesta da como perdedor a B"
dm
yc
on
t
segn se desprende de la situacin planteada
.a
P(M 2 /0 2 ) = 0,
w
w
aplicando el Teorema de Bayes, la probabilidad de que B resulte vencedor,

modificada por la informacin que ha dado ia encuesta ser:
P(0 2 /M 2 ) =
P(M 2 /0 2 ) P ( 0 2 )
2 2J
P(M2/^j) P ^ J + P M j / ^ j ) P(^2)
0,9 - 0,6 + 0,3 0,4
0,66
67
UNIDAD
Al finalizar el estudio de esta Unidad usted deber estar en capacidad de;

9) Aplicar los conceptos de variable aleatoria y de leyes de probabilidad, al
proceso de asignacin de probabilidades.
un
a.
fo
ro
s.
c
om
10) Distinguir los principios y tcnicas de la metodologa de asignacin de probabilidades.
on
t
Pag.
70
yc
dm
4.1. Variables aleatorias
72
w
w
4.2.1. Caso discreto

4.2.2. Caso continuo
4.2.3. Fractiles
.a
4.2. Funciones de probabilidad
,.
4.3. Metodologa de la asignacin de probabilidades
4.3.1. Principios a observar en el proceso de asignacin de probabilidades

.,..,.,
4.3.2. Sesgo en la asignacin de probabilidades
4.3.3. Mtodos para la asignacin de probabilidad
Autoevaluacin
73
76
76
79
79
80
82
87
91
4.1. VARIABLES ALEATORIAS

Para Introducir el concepto de variable aleatoria utilizaremos el siguiente
ejemplo:
La tabla 4.1. representa el nmero de camisas que un comercio vende
durante un mes, clasificadas por tallas. La tabla 4.2 representa e dimetro, en
dcimas de milmetros, de las arandelas que produjo la mquina M de una fbrica
de herrajes para carpintera, durante el primer da de funcionamiento, despus de
su instalacin, momento para el cual se le haca el seguimiento de norma.
Taba 4.2. "No. de arandelas

producidas'1
Tabla 4.1. "No. de camisas vendidas"
117
200
s.
c
<
118
119
120
60
15
34
15 1/2
18
16
10
121
1,500
2.580
1.420
122
750
fo
ro
38
14 1/2
700
150
> 123
on
t
un
14
10
14
a.
13
13 1/2
No, arandelas
<p (mm. 10)
No. camisas
om
talla
.a
dm
yc
Si trasladamos los valores de estas tablas a sendas grficas, tenemos:
60
w
w
te
2700 -
50
U 2400
40 .,
1 210
1 1800
o 1500
o 1 200
30 -
20 -
600
300
10
13
14
fig. 4.1.
15
16 talla
'
117
119
121
123
fig. 4.2.
Observando las figuras 4.1 y 4.2, notamos que aun cuando los respectivos
valores de abscisas y ordenadas difieren, por cuanto describen situaciones verdaderamente distintas, la forma de las grficas es prcticamente la misma en ambos
casos.
70
Gomo ya hemos dicho en la Unidad 2, la totalidad de los eventos aleatorios

elementales, resultado de una prueba o experimento aleatorio, constituyen un
espacio de evantos. A cada uno de los eventos de ese espacio, corresponde una
asignacin de probabilidad que representa, dentro del universo incierto que
envuelve la prueba o experimento aleatorio, una medida numrica de la factibilidad de realizacin de tal evento. Podemos afirmar tambin que el conjunto de
tales medidas numricas describe una caracterstica atribuida al fenmeno, prueba
o experimento aleatorio, que se tiene entre manos.
En la prctica, se observa frecuentemente que un cierto nmero de fenmenos, todos de naturaleza aleatoria pero pertenecientes a los ms dismiles campos
del conocimiento o comportamiento humano, tienen como rasgo comn el queja!
esâîp_^^y^niosjgue describe a cada uno de ellos, le corresponde un conjunto
de probabilidades asignadas que presenta, para todos los fenmenos considerados,
caractersticas similares, al punto de que a tal iconjunto_d^probabilidades)puede
llamrsele "ley o funcin de probabilidades".
fo
ro
s.
c
om
Esto tiene una gran utilidad porque permite, una vez reconocido un determinado fenmeno, decir que se ajusta a tal o cual ley de probabilidades, ley que en
su forma ms general y haciendo abstraccin de consideraciones particulares,
puede ser estudiada, analizada y hasta representada por una expresin matemtica
adecuada.
un
a.
El estudio de estas leyes o funciones de probabilidad, es factible a travs del

concepto de variable aleatoria.
on
t
Definicin:
.a
dm
yc
Una variable aleatoria X es una funcin real de los elementos del espacio de
eventos, su dominio es el espacio de eventos y su rango es un subconjunto de los
nmeros reales.
w
w
""" -^ ,
fig. 4.3.
As, en el ejemplo de las camisas, de la tabla 4.1, el espacio de eventos est

constituido por:
S =(x/x = cada una de las camisas vendidas!
Podemos definir lgicamente la variable aleatoria:
T (x) = talla de la camisa x, Vx e S

71
que es una v.a. discreta cuyo dominio de definicin es S y cuyo rango es

RT - { 13,13 1/2,14, 14 1/2,15,15 1/2,16 )
Veamos otro ejemrlo.
Supongamos que el instante en el cual una persona deja su casa para dirigirse
a su trabajo, cualquiera de los das laborables de la semana, est entre las 7,30 y
las 8:00 AM. Si designamos con Z la v.a. que representa el intervalo de tiempo
transcurrido entre el instante en que la persona deja su casa y las 8:00 AM, tenemos que: el espacio de eventos ser
SHx/7:30 <x<8:00)
o si tomamos como "hora cero" las 7:30 AM,
S ={K/O < x < 30}
s.
c
om
con est espacio de eventos la expresin funcional de la variable Z ser:
{ z/0<Z<30
a.
Rz=
fo
ro
que es una v.a. continua cuyo dominio es S y cuyo rango es
on
t
un
Es usual designar las v.a. por las ltimas maysculas del alfabeto y ios valores
que toma la variable por la correspondiente minscula.
yc
Como acabamos de ver con los ejemplos, una variable aleatoria puede ser
discreta o continua.
w
w
.a
dm
Decimos que la variable aleatoria X es discreta si su rango Rx es un intervalo

o la unin de intervalos de la recta real (se entiende que los intervalos a los que
hacemos referencia son no puntuales).
4.2. FUNCIONES DE PROBABILIDAD

En esta seccin describiremos la manera de formalizar lo que en la seccin
anterior hemos designado como el "conjunto caracterstico de medidas numricas
o asignaciones de probabilidad correspondientes a un espacio de eventos".
Hasta ahora, dado un espacio de eventos 2, a cada uno de los eventos que lo
conformaba le era asignada una probabilidad dla forma siguiente.
fig. 4.4.
72
Con la definicin de variable aleatoria tenemos:
flg.4.6.
fo
ro
s.
c
om
El hecho de que el proceso de asignacin se aplique a un subconjunto de los

nmeros reales y no ya a un conjunte de eventos cualquiera, de la naturaleza ms
variada, sin duda que facilita el estudio ordenado y generalizado de los fenmenos
aleatorios; la consideracin de las variables aleatorias permite la homogeneizacin
del conjunto sujeto de la asignacin. Sea cual fuere el fenmeno aleatorio que se
trate, la asignacin de probabilidad se har siempre sobre un subconjunto discreto
o continuo de nmeros reales.
un
a.
De esta forma las funciones de probabilidad que a continuacin sealaremos,

son una descripcin analtica de las probabilidades asignadas a una variable aleatoria considerada.
yc
on
t
Vamos a considerar separadamente los casos referentes a v.a. discretas y a

v.a. continuas.
dm
4.2.1. Caso Discreto
.a
4.2.1.1. Funcin densidad de probabilidad
w
w
Sea X una v.a. discreta, la funcin densidad de probabilidad

para X es una funcin designada por Px (x), de la variable
real x y definida como:
Px (x)- P ( X M - x ) ,
V x S R y co e n
Ejemplo:
sea X la v.a. que representa la suma de los puntos en el
lanzamiento de un par de dados.
El rango de X es:
r x =12,3,4,5,6,7,8,9,10,11,12}
el dominio est dado por
que por extensin es.
D(2) =
D(3) =
D (x) = { w/X (w) = x
(1, l)
(1,2), (2,1)}
73
D(4)=
{(1, 3), (2, 2), (3,1))
D(12) = f(6,6)J
D (x) -
{.$}
para cualquier x r x
aplicando la definicin clsica de probabilidad tendremos:

PX (2)- 1/36
Px (3)= 2/36
om
PX W = 3/36
s.
c
Px (6) = 1/36
fo
ro
PX ( x ) ~ O para cualquier x ^ rx
a.
que son los valores de la funcin densidad de probabilidad

correspondiente a la v.a. X.
on
t
un
4.2.1.2. Funcin de distribucin acumulada
w
w
.a
dm
yc
En la mayora de los problemas de Anlisis de Decisiones

resulta ms cmodo asignar la probabilidad al evento que,
consiste en que la v.a. est dentro de un rango definido de
valores que al evento elemental que considera un valor particular de ia v.a. Es por ello que resulta de gran utilidad la
funcin de distribucin acumulada que designamos por
F x (t) Y que representa la probabilidad de que el valor x de
la v.a. X no exceda del valor t
=P ( x
' S
x<
a manera de ejemplo, en la figura 4.6. se representan, para

el caso del lanzamiento de los dados, tanto la funcin de
densidad como la funcin de distribucin acumulada
6/36 .
P x (x)
i , Fx (t)
5/36
4/-36
24/36 .
3/sa
16/36 .
2/36 .
12/36
1/36 .
6/36
-^
30/3fi
"~1
i
4 5 a
w.
s-
9 1 0 11 12 X ' 1 2 3 4 5 6 7 8
fig.www.admycontuna.mforos.com
4.6.
Digitalizado por Liz Zambrano para
7
9 10 11 2
La funcin densidad de probabilidad resulta til en la determinacin de algunos parmetros de la v.a. correspondiente,
as:
Llamamos media o valor esperado de la v.a. X al valor
mx= E(X)=
x P x (x)
Rango
de X ,
H(x) P x (x)
fo
ro
Rango
de X
s.
c
E[H(x)]=
om
en forma ms general, el valor de una funcin H de la v.a. X,

H (X) sera:
un
a.
La variancia de la v.a. X, denotada por varx ax est dada

por:
on
t
r x = ax2 = E [ ( X - m x ) 2 ]
dm
yc
= E [ X 2 ] -m x2
w
w
.a
En el ejemplo que venimos tratando, de la v.a. X asociada al

par de dados, si consideramos la funcin H (X) = 100X500
y queremos determinar su valor esperado tendremos:
H(x) - P x (X)
sustituyendo:
E [ H ( X ) ] = (100.2-500) ~ + (100.3-500) +
ob
uO
+(100.4-500) - + (100.5-500) A. +
+(100.6 - 500) + dOO.7 - 500) +
+(100.8-500) -|r +
+(100.12 - 500)
36
E [ H (X) ] = 7200
75
4.2.2, Caso Continuo

4.2.2.1. Funcin densidad de probabilidad
3ea X una v.a. continua, si existe f (x) tal que
P (x < X < x + dx) = f(x) dx
fo
ro
s.
c
om
entonis f x (x) recibe el nombre de funcin de densidad de

probabilidad. Como ejemplo mencionaremos la funcin de
densidad "Normal" sin duda ampliamente conocida po*
ustedes,
un
a.
Funcin de distribucin acumulada
w
w
.a
dm
yc
on
t
La funcin de distribucin acumulada, para la variable X,

designada por FX , es una funcin que representa la probabilidad de que el valor x de la v.a. X no exceda el valor t
F x ( t ) = Px ( x < t ) = /
f(x)<dx
OO
f (x) es la funcin de densidad.

Para la v. a. Normal estandarizada (m = O, o2 = 1) la expresin de la funcin de distribucin acumulada es
. i x
T
,
<&
esta integral est tabulada en muchos libros y algunas de las

modernas calculadoras de bolsillo la tienen programada.
4.2.3. Fractes
De gran utilidad en la codificacin de la incertidumbre en el Anlisis
de Decisiones son los fractiles.
Tomemos O < k < 1, el lOOk simo fractil de la v.a. X denotado
por t k , es el menor de los nmeros para el cual-la probabilidad de que
la v.a. no lo exceda es k
\ ~\f
F Y /f
V^k /
R-
76
En la figura 4.7, por ejemplo, tQ 20 es

Px(x<tk)
fig.4.7.
t050 = segundo cuartil o mediana
s.
c
10 25 = primer cuartil
fo
ro
Hay fractiles que reciben nombres especiales,
om
el vigsimo
vi
fract, F(tQ 2 0 ) = 0,20
un
a.
t 0 7 5 = tercer cuartil
on
t
Ejemplo:
yc
sea X una v.a. cuya funcin de distribucin es
dm
Fx (t) = O para todo t < O
w
w
.a
VTparaO<t <1
= 1 para todo t > 1
si queremos hallar la mediana o segundo cuart (t 0i&0 ) hacemos, por

definicin,
de donde
= (0,50)2 = 0,25
Mediana = 0,25
de forma similar se
podrn determinar los cuartiles t nU,
y tnU,
(pri...
O *
7O **
mer y tercer cuart), obtenindose:
t
t o . 2 6 = '625
t O T 5 = 0,5625
Una cantidad a menudo til es el rango intercuartes,7 t 0,75
f - 1 f t, ,.
0,25 *
en nuestro ejemplo
O,75
^ 0 . 2 5 =0,5
77
Desarrollemos el siguiente ejemplo:

El departamento de marketing de una empresa desea determinar la
distribucin de probabilidad del precio que ofrecer una de las empresas competidoras, en un concurso o licitacin pblica para el
suministro de diez mil unidades de un producto, que ha abierto un
organismo X, Despus de una consulta a los expertos en precios se
tiene 3o siguiente.
Una de cada 100 veces podra ocurrir que el precio por unidad
ofrecido sea inferior a Bs. 35 mil
25 de cada 100 veces podra ocurrir que el precio por unidad ofrecido sea inferior a Bs. 48 mil
om
s.
c
fo
ro
99 de cada 100 veces podra ocurrir que el precio por unidad ofrecido sea inferior a Bs. 60 mil.
on
t
un
a.
Estamos interesados en construir la curva de distribucin de la v.a.

que representa el precio unitario ofrecido por las distintas empresas;
veamos del enunciado se desprende:
50
=50.000 ;
yc
=48.000 ,t 0
dm
VTE =53.000 y t0 99 = 60.000.
w
w
.a
Representando estos valores en una grfica tendremos.
35
40 45
45
50
55
60
fig. 4.8.
78
65
70
t <Bs.lo3)
4.3. METODOLOGA DE LA ASIGNACIN DE PROBABILIDADES

En la seccin 3,1 introdujimos la problemtica de la asignacin de probabilidades y su relacin con el grado de informacin posedo sobre el experimento aleatorio, sus respectivos eventos y las condiciones bajo las cuales stos se podran
realizar. Resaltamos cmo las distintas concepciones de la probabilidad y los
distintos estados de informacin arrojaban asignaciones que aun siendo de distinto
valor podran considerarse, todas, como buenas asignaciones de probabilidad, producto de un estado de informacin, conocimiento o condicionamiento de quien
haca la asignacin.
En esta seccin veremos cmo se realiza en la prctica un proceso de asignacin de probabilidades, el cual en definitiva, consiste en traducir en funciones de
distribucin de probabilidad el juicio de personas conocedoras (especialistas).
fo
ro
s.
c
om
Distinguiremos las figuras de "analista" y la de "especialista" o "experto", el

primero es quien conduce el proceso de asignacin, por cuanto es el conocedor de
la metodologa, el segundo es aquel que por su condicin de conocedor de la
materia sobre la cual se investiga, o mejor dicho, de la variable cuya incertidumbre
se quiere codificar, le corresponde la verdadera tarea de la asignacin.
a.
El especialista es siempre designado por el decisor que es la persona (o grupo

de personas) sobre quien recae la responsabilidad de la decisin.
un
4.3.1. Principios a observar en el proceso de asignacin de probabilidades
w
w
.a
dm
yc
on
t
Una vez que se construye el modelo de Anlisis de Decisiones, segn

el procedimiento que se indicar en el Mdulo III, quedan definidos
cules son los estados de la naturaleza o variables aleatorias cuya
incertidumbre se desea codificar; claro est, dado que el proceso de
anlisis es un proceso iterativo, es factible que un primer modelo sea
refinado ulteriormente con la introduccin de informacin adicional,
accin con la cual pueden surgir nuevas variables o estados nuevos,
que harn replantear el proceso de asignacin iniciado con el primer
modelo. Vale la pena apuntar que la decisin de refinamiento del
modelo lleva implcito un estudio o anlisis de costos, cuestin que
escapa a los objetivos de esta Unidad y que ser tratada en el Mdulo
II.
Lo que s interesa recalcar ahora, es que a raz de la construccin del
modelo de decisin es que se tiene el conjunto de variables cuya
incertidumbre es necesario codificar, proceso para el cual es importante observar una serie de principios que servirn de base para
estructurar y definir cada una de las variables.
Es conveniente asegurarse, antes de iniciar el'proceso de asignacin,
que se cumpla la lista que a continuacin detallamos, de lo contrario
es casi inevitable encontrarse con dificultades:
a) La variable cuya incertidumbre se desea codificar debe ser importante para el proceso de decisin, en el sentido de que las resultados del modelo de decisin sean muy sensibles a los valores de
la variable.
79
b) El ni/el de detalle requerido en el proceso de asignacin debe ser

previ ente establecido para cada variable, de acuerdo a su
importancia dentro del proceso de decisin. Pudiera ocurrir que
para cierta variable bastara establecer tres o cuatro puntos de su
curva de distribucin, mientras para otra de mayor importancia
sea necesario determinar, dentro de un cierto rango, un nmero
grande de puntos.
c) Bajo la estructuracin que se le ha dado al problema en consideracin, la variable debe representar un estado de'la naturaleza sin
lugar a ambigedades, la variable no debe sufrir influencia alguna
de las acciones que lleve a cabo el decisor. En caso contrario
deber reestructurarse el problema.
om
d) Las variables deben ser estructuradas, en el sentido de que si

estn sujetas a condicionamiento por otras variables, tal condicionamiento debe figurar en forma explcita.
un
El analista deber describir la variable, empleando una escala o

unidades que sean significativas para el especialista que har las
asignaciones. Por ejemplo, en la industria del petrleo puede
hablarse de litros, galones, barriles o toneladas. Es importante
que la unidad sea elegida de manera que el especialista se sienta
cmodo, de modo que no realice ningn esfuerzo respondiendo
sus preguntas.
.a
dm
yc
on
t
f)
a.
fo
ro
s.
c
e) Las variables deben ser claramente definidas; no debe existir la

posibilidad de interpretaciones equvocas. Por ejemplo, no tiene
sentido preguntar por el "precio del petrleo en 1976" sin aclarar
la cantidad, calidad o tipo, la poca del ao, en cul mercado.
Una mejor pregunta es sin duda "el precio del barril de petrleo
pesado para el lo. de enero <}e 1976 en el mercado de Rotterdam".
w
w
4.3.2. Sesgo en la asignacin de probabilidades

Ya hemos dicho que la probabilidad es un concepto eminentemente
intuitivo; las personas percibimos y apreciamos la incertidumbre de
forma similar como percibimos y apreciamos la distancia. De la
misma forma como un automovilista estima las distancias lo suficientemente bien como para evitar accidentes, un ejecutivo, generalmente, es capaz de evaluar la incertidumbre, lo suficientemente bien
como para beneficiar su empresa. Con esta premisa, cada manera de
juzgar las situciones, puede conducir a resultados sistemticamente
De all que sea importante considerar este punto de manera que, una
vez detectada la presencia del sesgo en una situacin real, el analista
sea capaz de aplicar los correctivos para minimizar su efecto.
Las fuentes, orgenes del sesgo o de las influencias y tendencias sistemticas que se pueden presentar en un determinado proceso de asignacin de probabilidades, pueden ser esencialmente de carcter cognoscitivo o de carcter motivacional.
80
El sesgo de origen motivaciona consiste en "ajustes" que a nivel

consciente o subconsciente hace el especialista de manera tal de
"orientar** la decisin. Supongamos el caso del lanzamiento de un
nuevo modelo de automvil; un especialista que sea consultado, que
particularmente le agrade mucho el auto por razones no del todo
explicables^ seguramente har un pronstico muy optimista, de
manera de favorecer la decisin del lanzamiento del producto.
om
Puede suceder tambin que las respuestas de un especialistas estn

sesgadas por el temor de que sea juzgada su persona a travs de los
resultados; por ejemplo, un gerente de ventas bien podra suministrar
un pronstico pesimista sobre las futuras ventas pensando que l ser
"mejor visto" si las. ventas reales exceden su prediccin. Puede hasta
suceder que el individuo suprima toda incertidumbre en su pronstico, pensando que de una persona de su posicin dentro de la empresa, se espera un conocimiento certero sobre todo lo que ha de suceder dentro del rea de su incumbencia.
fo
ro
s.
c
En fin, aun cuando supongamos honestidad de parte del especialista,

en el sentido de que asumimos la ausencia del sesgo de carcter motivaciona, queda por considerar el sesgo de carcter cognoscitivo,
un
a.
Este consiste tambin en algunos "ajustes" que introduc sistemticamente en sus respuestas el individuo, en la medida en la cual va
procesando intelectualmente sus percepciones, por ejemplo:
w
w
.a
dm
yc
on
t
Es comn que una determinada respuesta est influida por una informacin en particular, simplemente porque esta informacin es ms
reciente y por lo tanto se encuentra ms a la mano; no es extrao que
cuando a nuestro gerente de ventas le sea pedido un pronstico para
el ao venidero, le d mayor peso al resultado de las ventas del
presente ao que al de las ventas de los aos anteriores. Puede darse
tambin el caso en el cual el especialista ignore ciertas circunstancias,
que aun escapando a su dominio, sean factibles, como pueden ser
virajes polticos, controles financieros inusuales, devaluacin de la
moneda, conflictos blicos, etc.
Vemos claramente que una de las responsabilidades del analista es
entonces la de tratar de detectar las actitudes asumidas por el especialista y su modo de juzgar las situaciones, con el fin de intentar minimizar el sesgo y lograr lo que es denominado el conocimiento firme o
estable que posee ste sobre la materia tratada.
No nos detendremos sobre las formas de lograrlo, ya que escapa al
objetivo de este texto, simplemente llamamos la atencin sobre la
importancia de que tales consideraciones tienen en el proceso de asignacin.
Para concluir este aspecto, en la figura 4.9. podemos apreciar, grficamente, cmo queda alterada la funcin de densidad de probabilidad
asignada a un cierto estado de la naturaleza, por la presencia del sesgo
que hemos mencionado.
81
ucfl
3
:=!
J2
ta
43
"S
TJ
Valor
fig. 4.9.
s.
c
om
Si asumimos que la curva A representa el conocimiento firme, estable

que tiene el especialista sobre la variable que se investiga, las curvas
B, B' y C representan el conocimiento sesgado.
un
a.
fo
ro
Veamos que mientras B representa un intento de reducir al mnimo

la incertidumbre, B' significa una actitud totalmente contraria, un
intento del especialista de hacer ms vago el conocimiento ya intrnsecamente incierto, que tiene sobre el estado de la ntarualeza investigado.
on
t
La C representa claramente un desplazamiento en el valor de la variable investigada.
dm
yc
4.3.3. Mtodos para la asignacin de probabilidad
w
w
.a
La generalidad de los mtodos de codificacin o de asignacin de

probabilidad se basan en cuestiones cuyas respuestas pueden ser
representadas como puntos de una curva o funcin de distribucin
acumulativa que representa el estado de la naturaleza investigado.
Una clasificacin de los mtodos de codificacin es la siguiente:
Mtodo P.
Fijado un rango de valores de la variable aleatoria se piden respuestas sobre la escala de probabilidades.
Mtodo V.
Fijadas las probabilidades de realizacin de la

variable aleatoria, se piden respuestas sobre la
escala del valor.
Las preguntas se pide sean respondidas usando

ambas escalas conjuntamente.
Mtodo P.V.
Los cuestionarios son elaborados de manera que las respuestas puedan ser de forma directa o indirecta. Y las tcnicas de codificacin
varan segn los mtodos y segn el tipo de respuesta; este esquema
se resume en la tabla 4.3.
82
All se puede apreciar que el tipo de respuesta directa requiere que el

especialista d un nmero que, segn el mtodo usado, puede representar una probabilidad o un valor. Por ejemplo, con el mtodo P,
podemos preguntar al experto; cul es la probabilidad de que para
el prximo ao las ventas globales de un determinado producto sean
menores o iguales a 3,000 unidades? O, usando el mtodo V, cul es
el nivel de ventas que corresponde a una probabilidad del 10%? La
respuesta a la primera pregunta puede ser dada como un nmero
absoluto; 0,20, como un porcentaje. 20% o puede ser expresada
como una fraccin "uno en cinco", "dos en diez". La respuesta a la
segunda pregunta ser simplemente un nmero que representa un
volumen de unidades.
om
TABLA 4.3.
Clasificacin de las Tcnicas de Asignacin de Probabilidad
Mtodo de codificacin
INDIRECTA
Proceso de referencia
Eventos internos al
proceso
externa
DIRECTA
fo
ro
Probabilidad
(fijo el valor)
s.
c
Tipo de respuesta
Mediante un Disco
fijando el valor
Mediante la asignacin de fracciones de

probabilidad a eventos mutuamente exciuyentes
Mediante Disco fijando la Mediante la tcnica

del intervalo
probabilidad del evento
.a
Mediante fractfles
w
w
Valor
(fija la probabilidad)
dm
yc
on
t
un
a.
Mediante curva
de distribucin
acumulativa
Probabilidad
Valor
(ninguno fijo)
Dibujando un grfico ;
descripcin para
mtrica
TABLA 4.3.
Con el mtodo P. V. se emplea exclusivamente el tipo de respuesta

directa; el especialista en este caso podr dibujar la curva de densidad
o de dbtribucion acumulativa, o bien puede sealar parejas de puntos
(valor, probabilidad); tambin puede expresar su respuesta dando
la distribucin en forma paramtrica; por ejemplo, podra afirmar
que la variable considerada tiene una distribucin "Normal con media = 15 y variancia = 4".
83
Con el tipo de respuesta indirecta se puede recurrir al uso de eventos

internos al proceso de asignacin, o bien se puede utilizar lo que se
llama un proceso externo de referencia.
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Como proceso externo de referencia es comn el empleo de un "disco

de probabilidad'1 que no es ms que un disco dividido en dos sectores, uno azul y uno rojo, por ejemplo, con un apuntador fijo en el
centro; mediante un ajuste sencillo se puede variar el rea de los dos
sectores complementarios y, de esta forma, se vara tambin la probabilidad de que el apuntador, seale uno u otro sector cuando el disco
se detenga una vez que haya sido impulsado para que gire. En la
figura 4.10 se puede observar una representacin del disco.
fig. 4.10
Este disco se usa en la forma siguiente:

Se le pide al especialista que elija, entre una apuesta relativa a la cantidad que se investiga, por ejemplo, "que la produccin el ao prximo no exceda de X unidades" o una apuesta relativa al disco, por
ejemplo que una vez impulsado ste, el apuntador marque sobre el
sector rojo. La porcin de rojo en el disco se vara hasta que para el
especialista sean indiferentes ambas apuestas; en este momento se
habr encontrado la probabilidad que ser la cantidad relativa de rojo
en el disco. En este ejemplo hemos hecho referencia al mtodo P.
puesto que el valor haba sido fijado y se busca la probabilidad. En
general, el disco es preferible emplearlo casi siempre con este mtodo, aunque puede usarse con el mtodo V.
84
Una caracterstica importante del disco de probabilidad es que

permite obtener asignaciones que varan en forma continua entre O y
1, cosa que es difcil realizar, por ejemplo, con la tcnica de los fractiles empleada con el tipo de respuesta directa.
Una tcnica similar a la del disco es la de una barra horizontal con un
apuntador que define dos eventos, a su izquierda y a su derecha.
Con el uso de los eventos internos se procede as:
Mtodo P. Se le pide ai experto que asigne probabilidades relativas
a dos eventos bien definidos, por ejemplo, se le pregunta al experto si
es ms probable que las ventas del ao prximo estn por encima o
por debajo de las 5,000 unidades. Una vez que ha respondido, se le
pide que diga cuan probable es.
a.
fo
ro
s.
c
om
Mtodo V, Se emplea la llamada tcnica del intervalo. Se inicia con

un intervalo que cubre todas las posibles realizaciones del experimento aleatorio y se divide en dos partes; se le pregunta al especialista
cul cree que sea ms factible y a continuacin se desplaza la divisin
de manera de reducir la parte que l ha considerado la ms probable
y se vuelve a preguntar. Cuando el especialista decide que cualquiera
de las dos tiene la misma probabilidad de realizacin, se habr encontrado entonces la mediana.
yc
on
t
un
Dividiendo sucesivamente los intervalos, se puede encontrar los

cuartiles y as podra continuarse, aunque la prctica ha demostrado
que es inconveniente proseguir despus de los cuartles.
w
w
.a
dm
Aunque en este libro no nos ocuparemos de describir el proceso de la

entrevista ni la manera de conducir la fase de cuantificacin del conocimiento del especialista, diremos que, dependiendo de cada situacin, son empleados en forma conjunta un grupo de las distintas
tcnicas que acabamos de sealar. Es usual, por ejemplo, que para
definir los extremos de la curva de distribucin se emplee, preferiblemente, el tipo de respuesta directa, y para la definicin del resto de
los puntos la tcnica del intervalo, conjuntamente al disco de probabilidad; sin embargo, esto no constituye una regla y podran ser
otras las tcnicas que ms se adecen a la codificacin de una determinada variable.
85
AUTO E VALUACIN
Instrucciones
de respuesta. Slo una de las alternativas es correcta para cada situacin.
Seleccione la correcta y selela encerrando en un crculo la letra ,que la
identifica.
Suponga que tiene la v.a. X la cual representa un costo que se sabe est
entre los 100 mil y los 300 mil bolvares; la distribucin de probabilidad
acumulada de la v.a. es la que muestra la figura. Se quiere determinar, en
forma aproximada, el valor esperado de la v.a.; para ello suponga que los
valores se agrupan en cuatro grupos equiprobables y que el valor representativo de cada uno es su punto medio.
150
200
250
300
t(Bs. 10a)
w
w
100
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
1.
El valor esperado es aproximadamente:
2.
Bs. 183.000
Bs. 200.000
Bs. 487.000
Una persona piensa contraer una deuda prximamente basndose en un

aumento de salario que le va a ser acordado y ha decidido que para amortizar
dicha deuda no aportar ms del ,'20 % del salario que devengue para elmomento, el cual depende del aumento esperado.
Supongamos que esa persona est interesada en conocer el tiempo en que
amortizar la deuda, asumiendo que ste es aproximadamente M/C, (M=monto de la deuda y O= cuota aportada).
El aumento que recibir el candidato es una v.a. que se distribuye segn la
curva siguiente:
91
P(A<t)
rf
>-
15%;
= 15M/c
15%,
t = M/l,15c
a.
(\
s.
c
17,5 %;t = M/l,175c
fo
ro
om
^x
j
^\e
cul es el valor esperado del porcentaje de aumento y, en conse(
> v cuencia, el valor esperado del tiempo de amortizacin, si antes de recibir
el aumento la persona estaba dispuesta a aportar la cantidad de C bolvares.
Antes de iniciar un proceso de asignacin de probabilidades para un cierto

fenmeno aleatorio, lo ms importante es.
on
t
un
3.
Construir el modelo de decisin definiendo claramente los distintos

estados de la naturaleza, que son importantes para el fenmeno aleatorio y sus inerrelaciones
dm
yc
Conocer la distribucin de probabilidades de cada uno de los eventos
.a
'M
AN
r\
. /
O
i/)
{V
I; !
Decidir si el estado de informacin del especialista es suficiente como

para responsabilizarse por la decisin
w
w
7
j /T
4.
Considerar la posicin dentro de la empresa de los integrantes del

panel de especialistas
Cuando el analista formula la siguiente pregunta: cul es la probabilidad de

que la tasa de inflacin interna para el segundo semestre del ao prximo
exceda el 20 % anual? est requiriendo:
A
Una respuesta directa referida al valor que toma la v.a. considerada
Los parmetros de la curva de distribucin de la v.a. considerada
Una respuesta directa sobre la probabilidad de un evento
El vigsimo f ractil de la distribucin de la v .a. considerada
88
5. El sesgo de las respuestas en un especialista tiene poco que ver con:
Su conocimiento sobre el fenmeno aleatorio considerado y su

entorno
B
La opinin que pueda formarse el Decisor sobre el especialista

La estructuracin del problema de decisiones
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
La consideracin de solamente una parte de toda la informacin

disponible
w
w
89
PREGUNTA
CLAVE
OBJETIVO EVALUADO
SECCIN DE REREFERENCIA
4.2
4.2
4.3
10
4.3
om
10
10
fo
ro
s.
c
4.3
a.
Clave Razonada
on
t
un
Pregunta 1 Refirindonos a la grfica y usando la sugerencia del problema, tenemos identificados cuatro grupos de valores:
Grupo de valores
yc
Punto medio aprox.
w
w
.a
dm
de 100 a 150
de 200 a 300
125
166
192
250
Los puntos medios representan a su grupo y por lo tanto podemos

suponer que cada uno de esos puntos ocurre con una probabilidad de
0,25, con lo cual el valor esperado de la variable aleatoria ser, aproximadamente,
E (X) = 125 0,25 + 166 0.25 + 192 250 0,25
E (X) = 183,25
Como los valores estaban dados en miles de bolvares, la respuesta
ser: "El valor esperado de X es aprox. B' 183.000".
Ntese que si los valores se hubieran agrupado en vez de cuatro en
5,10, 20 ms grupos equiprobables, se hubiera tenido una aproximacin mayor.
91
Pregunta 2 Como una aproximacin consideramos en la c.d. de los valores agrupados en cuatro grupos cuyo representante es el valor central del
grupo, de esta manera
GRUPO
VALOR CEN
VL
PROBABILIDAD
0-10%
5%
0,25
10-15 %
12,5 %
0,25
15-20 %
17,5 %
0,25
20-30%
25 %
0,25
El valor esperado del porcentaje de aumento de salario ser:

E = 5 0,25 + 12,5 0,25 4- 17,5 0,25 + 25 0,25
s.
c
om
E 15 %
w
w
.a
dm
yc
on
t
un
a.
fo
ro
Si antes de recibir el aumento la persona estaba dispuesta a aportar

una cuota c a la amortizacin de la deuda, ahora podr aportar una
cuota igual a 1,15 x c con lo que el tiempo de amortizacin ser:
M/l, 15c.
92
UNIDAD
ARBOLES DE DECISIONES

11) Estructurar un problema de decisiones en forma de rbol de Decisiones y
determinar la estrategia ptima de Decisin.
5.1. Introduccin
.
fo
ro
5.2. Definicin de Grafo
s.
c
om
Pg
5.3. Definicin del rbol
94
95
, ,,.,
96
,,.
101
5.6. Estructuracin de! rbol de Decisin . , = . , . . , , . . . . . . . . . . . . . , . ,
101
un
a.
5.4. rbol de Probabilidades . . . . . . , . ,
94
yc
on
t
5.5. rbol de Decisin . . , . ,
.a
dm
....
...............
5.6.2. Fases para la estructuracin del rbol de Decisin
.........
........................
110
w
w
5.7. Operaciones sobre Arboles de Decisin
101
109
5-8, Evaluacin del rbol de Decisiones
........
..................
5.8.2, Paso 2: rbol Modificado ........ ". . ....... ,

5.0,8. Paso 3; Proceso da Max irnis acin . . . . . . . .......
..........
.
.......
110
112
113
5.9. Esquematizacin del procedimiento general para la Evaluacin del

rbol de Decisiones. . . . .
..................................
115
5.10. Interpretacin de ios resultados de la Evaluacin del rbol de Decisiones ........ .

..................
.
....................
122
Autoevaluacin . . . . . . ....... ......
...........
123
Solucin de la Autoevaluacin ..... .
..........
...............
. ...... . ..... . . . . .
127
93
5.1. INTRODUCCIN
En esta Unidad nos dedicaremos a estudiar una tcnica para facilitar la
estructuracin de un problema de decisiones. La Teora de las Probabilidades
introducida en las unidades anteriores, junto con la Teora de la Utilidad, a su ves
desarrollada en el prximo Mdulo, constituyen los principales instrumentos utilizados en el Anlisis de Decisiones.
Existen una serie de tcnicas basadas en dichas teoras, que facilitan el anlisis de problemas de decisiones; dentro de stas, podramos decir que la ms importante y utilizada, debido a la forma en que contribuye a la clara e ilustrativa
estructuracin del problema, es la del rbol de Deciciones.
fo
ro
s.
c
om
Antes de que definamos lo que llamaremos rbol de Decisiones y nos dediquemos a aprender cmo estructurarlo y utilizarlo, es conveniente introducir los
conceptos de Graf o y de rbol, como caso particular de aquel. Posteriormente al
referirnos a Arboles consideraremos dos casos: rbol de Probabilidades y rbol
de Decisiones.
5.2. DEFINICIN DE GRAFO
dm
yc
on
t
un
a.
Se entiende por Grafo a una figura formada por puntos llamados vrtices o
nodos y por segmentos de lnea, que conectan dichos nodos, denominados ramas.
La Teora de Grafos es un instrumento de uso comn en gran cantidad de campos.
Inicialmente tuvo su mayor aplicacin en diagramas eircuitales y moleculares,
pero su campo de accin se ha ido ampliando de manera asombrosa y hoy en da
su uso se ha extendido a casi todas las ramas del saber (Ingeniera, Economa,
Biologa, Sicologa, etc.),
w
w
.a
A travs de un ejemplo podemos entender mejor el significado de un Grafo,

Supongamos un campeonato de bisbol en el que participan cuatro equipos que
llamaremos A, B, C y D. Despus de cuatro semanas de haberse inciado el campeonato la situacin es la siguiente:
A ha jugado con B, C, D
B "
"
" A,C
C "
"
" A,B,D
D "
"
" A,C
Para ilustrar esta situacin podemos utilizar un Grafo

Cada punto representa un equipo
Cada lnea conectando un equipo con otro indica que esos equipos han
jugado entre s.
En la figura 5-1 se ilustra la situacin
FIG. 5-1 Grafo campeonato de bisbol
om
Los puntos A, B, C, D son los nodos del Grafo. Los segmentos AB, AD, AC,
CB y CD son las ramas del Grafo.
un
a.
fo
ro
s.
c
Se denomina camino de un Grafo a un conjunto de ramas consecutivas que

unen o enlazan dos nodos cualesquiera. En la figura 54 las ramas AB y AC constituyen un camino entre los nodos C y B, ntese que la rama CB es tambin un
camino entre los nodos C y B o sea, entre ese par de nodos hay ms de un camino posible. Observamos tambin que el camino constituido por las ramas CA,
AD y DC es un camino cerrado.
on
t
5.3. DEFINICIN DE RBOL
dm
yc
El rbol es un caso particular de Grafo en el cual no se presentan caminos

cerrados y entre cualquier par de nodos el camino es nico.
.a
De acuerdo a esta definicin, el ejemplo anterior no constituye un rbol.
w
w
Usaremos el siguiente ejemplo para ilustrar un rbol. Supongamos el experimento que consiste en lanzar una moneda dos veces. La descripcin de los resultados puede presentarse a travs de un rbol (figura 5-2).
A, Bs C, D, E, F, G representan los nodos del rbol.
AB, AC, BD, BE, GF y CG son las ramas del rbol.
Ntese que: Nmero de ramas = nmero de nodos menos uno (1). Relacin
que se cumple para cualquier rbol.
Tabla de Resultados
Cara - Cara
Cara - Sello
Sello - Cara
Sello - Sello
FIG. 5-2 rbol experimento lanzar moneda dos veces
95
5.4 RBOL DE PROBABILIDADES

La estructuracin de un rbol de probabilidades permite simbolizar y determinar ms fcilmente la probabilidad de ocurrencia de un cierto evento condicio
nado que haciendo uso de las ecuaciones existentes para este propsito.
s.
c
om
El rbol de probabilidades est constituido por nodos y ramas. Cada uno <te
los nodos a los cuales denominaremos nodos de incertidumbre, representa v?i
determinado estado de naturaleza. El fenmeno aleatorio puede ser de naturaroa^
continua o discreta. La representacin de estos fenmenos a travs del rbo! es la
siguiente:
fo
ro
Nodo Incertidumbre
a.
FIG. 5-3 Nodo incertidumbre
.a
dm
yc
on
t
un
Donde x.,.
x0 x.3 representan variables aleatorias discretas.
1
w
w
Nodo
incertidumbre
FIG. 5-4
Donde x representa una variable aleatoria continua que tiene una funcin densi
dad de probabilidad f(x) dada.
Tomemos ahora nuestro ejemplo de las lmparas analizado en las unidades
anteriores, e identifiquemos los estados de la naturaleza para l mismo,
Cj : lmpara procede fabricante A
C : lmpara procede fabricante B
B:
M:
resulta buena
"
mala
Los eventos terminales o resultantes sern aquellos eventos a partir de los

no se considera la ocurrencia de ningn otro estado de la naturaleza.
96
En nuestro ejemplo sern:

Cl B: lmpara buena proveniente fabricante A
C.M:
C 2 B.
C 2 M:
" mala
buena
"
"
"
"
" mala
Por otra parte las ramas de un rbol de probabilidades indica que a partir de
un estado de la naturaleza (1) pasamos a un estado de la naturaleza (2)
En la figura 5-5 se indica el rbol de probabilidades para el ejemplo considerado.
B
om
B C,
dm
yc
on
t
un
a.
fo
ro
s.
c
C.
MC,
.a
FIG. 5-5 rbol probabilidades. Ejemplo 1
w
w
A cada una de las ramas que se indican en la figura 5-5, se le asigna un valor
de probabilidad determinado.
T>, D ,~ J
^-n0,
P(C 1 )= 0,7
P(C2J=0,3

97
Veamos el procedimiento para determinar a travs del rbol, la probabilidad

de cada uno de los eventos terminales:
Se multiplican las probabilidades de cada una de las ramas que partiendo del
nodo terminal llegan al nodo inicial.
Por ejemplo:
^PB/CJ - P(c t ) = 0,595

i ) ^ 0,35 0,7= 0.595
De igual forma podemos calcular la probabilidad para el resto de los nodos
terminales.
om
P ( M C j ) = P ( M / C , ) - P ( C J = 0,105
s.
c
P ( B C 2 ) = P(B/C 2 ) - P ( C 2 ) = 0,195
fo
ro
P(MC 2 ) = P(M/C 2 ) P ( C 2 ) = 0,105
un
a.
P(B) =P (L. buena, fabricante A) +
Entonces la probabilidad del evento "lmpara buena" vendr dada por;
on
t
P (L. buena, fabricante B)
.a
P(B) = 0,790
0,595
dm
P(B) = 0,195 +
yc
P(B) = P(BC 1 ) + P(BC 2 )
w
w
De la misma manera, la probabilidad del evento "lmpara mala" ser:

P(MJ = P(MC 1 ) + P ( M C 2 )
P(M) = 0,105 + 0,105
P(M) = 0,210
Lo cual es igual a lo obtenido a travs de la aplicacin de las frmulas.
Como se observa, una vez que se adquiere prctica estructurando el rbol,
el clculo de las probabilidades asociadas a ciertos eventos se calcula con rapidez
y se visualiza con mayor facilidad.
Para nuestro ejemplo de las urnas o cajas de la Unidad 3, construyamos el
rbol correspondiente.
Los nodos de incertidumbre sern.
C : pelota proviene de caja 1
98
C :
pelota proviene de caja 2
N:
r>
negra
B:
"
blanca
Los eventos terminales

NC : pelota negra proveniente de caja 1
BC, :
"
NC 2 :
BC 2 .
"
blanca
"
" " 1
negra
>
blanca
"
"2
om
En la figura 5-7 se indica el rbol de probabilidades correspondiente

EVENTO TERMINAL
NC,
fo
ro
s.
c
on
t
un
a.
BC,
BC,
FIG. 5-7 Arboi probabilidades. Ejemplo 2
w
w
.a
dm
yc
NC,
Cada una de las ramas que se indican en la figura 5-8, tiene asignado un valor
de probabilidades.
te.
f/c
'3)

99
Cmo se determina a travs del rbol la probabilidad de cada uno de los

eventos terminales?
Se multiplican las probabilidades de cada una de las ramas, que partiendo del
nodo llegan al nodo inicial; por ejemplo:
P(NC.)=
5
4
P(NC.) -
Reconozcamos cules son cada una de las probabilidades anteriores
om
P ( N C 1 ) = P (N/C,) - P ( C , )
fo
ro
s.
c
De igual forma podemos calcular las probabilidades para el resto de los nodos
terminales
J =1/10
un
a.
P(NC 2 ) -3/10
on
t
P(BC 2 ) - 2/10
yc
Por lo tanto la probabilidad del evento pelota negra ser:
.a
dm
P(N)=
10
w
w
10
P(N)=
y la probabilidad del evento pelota blanca
P(B) = P ( B C ) + P(BC 2 )
"
10
" 10
P(B)--^
Note que: P(N) + P(B) = 1

_6_
4
10+ 10
100
= 1
5.5. RBOL DE DECISIN
Cuando nos encontramos ante un proceso de toma de decisiones, el Decisor

debe elegir entre una serie de alternativas que constituyen la totalidad de las posibles acciones a seguir.
Independientemente de cul sea la alternativa seleccionada, se producirn
una serie de consecuencias, producto stas de los estados de la naturaleza, que
pueden ser caracterizados por distribuciones probabilsticas.
Las consecuencias de un determinado curso de accin sern medibles siempre
y cuando pueda establecerse una funcin Beneficio Neto, que permita cuantificar
la magnitud que el Decisor asocia a cada una de las consecuencias o resultados.
fo
ro
s.
c
om
En el desarrollo de esta Unidad utilizaremos como criterio de decisin del

Valor Esperado del Beneficio Neto (monetario), debiendo quedar claro de que
ste no es el nico criterio de decisin posible, material que revisaremos en detalle, en el Mdulo II.
5.6. ESTRUCTURACIN DEL RBOL DE DECISIN
dm
yc
on
t
un
a.
Como indicamos al inicio de esta Unidad, un rbol de decisiones es un mtodo grfico que nos permite visualizar e ilustrar el proceso del anlisis de decisiones, expresando en orden secuencia! las acciones alternativas que estn disponibles
para el Decisor, los estados de la naturaleza y los resultados determinados por la
incertidumbre.
.a
5.6.1. Elementos de un rbol de decisin
w
w
Para realizar la estructuracin de un rbol de decisin debemos establecer los elementos que lo forman. Para ilustrar la determinacin
de elementos nos basaremos en el siguiente ejemplo:
El presidente de una compaa de perforaciones de pozos petroleros,
que realiza actualmente trabajos de perforacin en un rea de productividad razonable, est evaluando la posibilidad de iniciar una
perforacin.
Los posibles estados de la naturaleza son:
0 j : El pozo est seco

0 2 :,,
es pequeo
03;
grande
.
ir. I
Ntese que los eventos # > # 2 * ^ 3 son exduyentes.

La probabilidad de ocurrencia de los eventos 6l, 0 2 , 0 3 depender,

claro est del tipo de terreno donde se vaya a perforar. Por experiencias anteriores se sabe que si el terreno es tipo A, se tendr:
P (VA) = 0,4
P(0 2 /A)=0,2
P (0 3 /A) = 0,4
Otro tipo de terreno distinto a A (A'), determinar la siguiente probabilidad de ocurrencia de los eventos:
om
P (VA') = 0,6
s.
c
P(0 2 /A') = 0,3
fo
ro
P(0 3 /A')=0,1
on
t
P(A) = 0,4
un
a.
La unidad de geologa de la compaa, no ha hecho pruebas sobre

el terreno, pero estima que por su constitucin y experiencias en
perforaciones en zonas adyacentes, tiene una probabilidad de 0,4
de ser tipo A..
P(A') = 0,6
w
w
.a
dm
yc
Por otra parte sabemos que el costo asociado a una perforacin es

.de doscientos mil bolvares (Bs 200.000) y se estima que la compaa tendr las siguientes ganancias, dependiendo del tipo de pozo
B (6) = 'O
B (B2) = 500.000
B(0 3 ) = 1.200.000
Identifiquemos ahora los elementos que constituyen el rbol de decisiones y procedamos a estructurarlo.
5.6.1.1. Nodos
Como todo rbol, el rbol de decisiones tiene nodos, los
cuales pueden ser de tres tipos:
1)
Nodos de decisin
A partir de los cuales se originan las diferentes alternativas o acciones a seguir. Para esquematizarlas utilizaremos un pequeo cuadrado.
En nuestro ejemplo, las diferentes acciones que nos
hemos planteado son si perforamos o o el pozo,
las cuales se derivan del nodo de decisin. Esta situacin la esquematizamos en la figura 5-9
fo
ro
s.
c
om
Nodos de incertudumbre
a.
2)
FXG. 5-9 Nodo Decisin
dm
yc
on
t
un
Son los nodos de los cuales se derivan los eventos o

estados de la Naturaleza. Estos nodos estarn representados por crculos.
w
w
.a
En nuestro ejemplo del nodo de incertidumbre ce derivan los estados de la naturaleza (0,, 0 2 , 0 3 ). En la figura 5-10 se indica esta situacin.
NODO INCERTIDUMBRK
FIG. 5-10 Nodo incertidumbre

103
Observemos que estos nodos son los mismos que hemos definido en el rbol de probabilidades.
Ntese que ios eventos que convergen a un nodo de
incertidumbre son mutuamente excluyentes y colectivamente exhaustivos.
3)
Nodos terminales
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
En un rbol de decisin los nodos terminales recogen

la ocurrencia secuencial de una serie de eventos, al
tomar un determinado curso de accin.
Al travs del siguiente diagrama, figura 5-11, resumirmos los conceptos antes indicados:
5;6.1.2.
NODOS
INCERTIDUMBRE
FIG. 5-11
NODOS
TERMINALES
Ramas
Definamos ahora las ramas en el rbol de decisin.
Podramos diferenciar dos tipos de ramas.
Ramas que representan alternativas o acciones a tomar
y ramas que representan ocurrencia de eventos inciertos o estados de la naturaleza.
En nuestro ejemplo identificaremos como alternativas
Perforar pozo
No perforar pozo
e identificaremos como eventos inciertos o estados de
la naturaleza a:
Encontrar pozo seco
104
pequeo
"
" grande
eventos
inciertos
FIG. B-12
.a
dm
yc
li_. alternativa
on
t
un
a.
fo
ro
s.
c
om
Identifiquemos las ramas dentro de nuestro rboi de decisiones
w
w
Mediante la utilizacin del ejemplo hemos identificado

los nodos y ramas de un rbol de decisin.
Analicemos otro ejemplo que nos permita determinar
las ramas y nodos de un rbol.
Supongamos que el gerente de la compaa petrolera se
le ocurre la idea de realizar un estudio de suelos, previamente a tomar la decisin de perforar el pozo; ahora
bien, esto involucra un costo, el cual es de cincuenta
mu bolvares (Bs 50.000).
La pregunta que surge es: se debe realizar el estudio o
se debe tomar la decisin con la informacin que se
tiene disponible?
Para esta nueva situacin, podemos identificar las siguientes alternativas de accin:
Perforar
No perforar
105
Pregunta 4
Hacer el estudio
om
las cuales iniciaran la estructuracin del rbol de decicin, tal como se indica enjg figura 5-13
s.
c
FIG. 5-13 Nodo Decisin
fo
ro
Otro nodo de decisin se presentar una vez que se haya realizado el estudio; al obtener el resultado, se preguntar la conveniencia de perforar o no.
w
w
.a
dm
yc
on
t
un
a.
Los nodos de incertidumbre estar definidos en este

caso por los puntos donde convergen los estados de la
naturaleza ( 0 1 ? 0 2 , 0'3) y para el caso que decidamos
hacer el estudio, los posibles estados de la naturaleza
sern A y A. En la figura 5-14 se ilustran estos elementos.
jrarj"
Perforar
> Alternativas *jvEventos

\o
Nodo
Decisin
Incertidumbre
106
1*-Alternativas
ivas-Jn- Eventos
Nodo
Nodo
Decisin
Incertidumbre
FIG. 5.14
Resumiendo, en el ejemplo tendremos las siguientes

alternativas
1) Perforar
2) No perforar
3) Hacer estudio y perforar
4)
"
"
" no perforar
Los estados de la naturaleza
6-2
" pequeo
03
" grande
om
91 Pozo seco
s.
c
A Terreno tipo A
fo
ro
A' Terreno tipo A'
Asignacin de valores
dm
5.6.1.3.
yc
on
t
un
a.
Observemos a travs de este ejemplo, que la estructuracin del rbol requiere de una lgica, en el razonamiento. Ntese que la decisin de realizar el estudio es previa a la de perforar, es decir, una vez que perforamos la
informacin que nos podra suministrar el estudio pierde validez.
w
w
.a
Hasta ahora hemos identificado los nodos y

ramas que conforman el rbol de decisin.
Para poder evaluar cul de las alternativas
resulta mas atractiva para
el Decisor,j es nej.
cesario asignarle valores a cada uno de los
elementos del rbol.
Cada una de las posibles alternativas que

tiene el Decisor para su seleccin lleva un
costo involucrado. Por otra parte, los estados
de la naturaleza tienen asignado un valor de
probabilidades. En la Unidad anterior hablamos de cmo asignar dichos valores de probabilidades; por el momento vamos a suponerlos como conocidos. Adicionalniente a
cada uno de los nodos terminales, es podemos asignar un valor de ganancia o prdida,
el cual es el Beneficio Neto Involucrado y
que se determine por la diferencia entre el
beneficio bruto que se obtiene al seguk un
determinado curso de accin, suponiendo
la ocurrencia de un determinado evento y el
107
costo involucrado al seguir ese curso de

accin.
Los valores de Beneficio Neto se. representan
como la funcin de Beneficio Neto (B), que,
como ya mencionamos, est determinada
por la alternativa a seguir, llammosla A, y
por los estados de la naturaleza #*, es decir,
B (A,tf). Ntese que O representa al conjunto
de estados de la naturaleza, los cuales pueden representar fenmenos aleatorios de
naturaleza tanto discreta como continua.
om
La funcin Beneficio Neto generalmente se

mide en trminos monetarios, aunque tal
como veremos en el Mdulo II, pueden definirse funciones que no se midan exclusivamente en valores monetarios.
fo
ro
s.
c
Para efectos del anlisis, de esta Unidad, consideraremos que la funcin B(A,0) mide el
Beneficio Neto Involucrado en tomar cierto
curso de accin.
w
w
.a
dm
yc
on
t
un
a.
Dado que los posibles estados de la naturaleza son inciertos, la funcin B(A,f) tambin
constituir una vajiable aleatoria y por lo
tanto el valor esperado de la funcin Beneficio Neto B(A,0) ser un valor esperado del
beneficio que se incurre al seguir un curso de
accin A.
Volvamos a analizar nuestro ejemplo de la
compaa petrolera que debe decidir si perfora o no un determinado pozo.
Supongamos que se perfora el pozo; esto necesariamente involucra un costo, el cual hemos supuesto en doscientos mil bolvares (Bs
200.000). Si al perforar se encuentra un pozo seco, que corresponde al nodo terminal
(4) en la figura 5-10, se obtendr un beneficio bruto de cero (0) bolvar: por lo tanto, el
Beneficio Neto (B4) para ese nodo terminal
ser de doscientos mil bolvares (B* 200.000).
Si al perforar el pozo, se encuentra un pozo

pequeo, el beneficio bruto ser de quinientos mil bolvares (Bs 500.000) y el Beneficio Neto de trescientos mil bolvares (B*
300.000). Esta situacin est representada
por el nodo (5) de la misma figura 5-15. Por
ltimo, si al perforar se encuentra un pozo
108
grande, se obtendr un beneficio bruto de un

milln doscientos mil bolvares (B* 1.200.
000), siendo el Beneficio Neto de un milln
de bolvares, situacin representada por el
nodo terminal (6) de la figura 545.
Por otra parte, el costo asociado a la accin
de no perforar es de cero (0) bolvar y, por
lo tanto, el Beneficio Neto es igual a cero
(0) bolvar.
Todas estas asignaciones de valores podemos
concretarlas en el siguiente grfico (figura
5-15).
+3OO.OOO
+ 1.000.000
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
- 200.000
5.6.2.
FIO. 5-15
Fases para la estructuracin del rbol de Decisin

Como se puede observar, para la estructuracin del rbol de decisin hemos procedido a:
1.
Identificar los nodos y ramas.
2.
Organizar el rbol como un arreglo cronolgico de las alternativas que controla el Decisor
y los resultados que determine el azar (estado
de la naturaleza).
3.
Asignar valores a cada una de las alternativas,

eventos de incertidumbre y nodos terminales
(resultados) que conforman el rbol.
109
5.7. OPERACIONES SOBRE ARBOLES DE DECISIN

En las secciones anteriores se han dado los elementos de un problema de
decisin a travs de la estructuracin del rbol y a asignacin de valores a nodos
terminales y ramas. Una vez finalizado este proceso, es necesario establecer una
estrategia de decisin. Recordemos que en el Mdulo II nos ocuparemos de definir cules son los criterios de decisin que es posible seguir. Por el momento considrenlos que la mejor decisin es aquella que maximiza el Beneficio Neto.
Para alcanzar la decisin ptima, dada una determinada estrategia, se realizan
sobre un rbol bsicamente dos operaciones.
1)
Determinacin del Valor Esperado del Beneficio Neto
2)
Maximizacin del Valor Esperado del Beneficio Neto.
s.
c
om
El Valor Esperado se obtiene en los nodos de incertidumbre, ya que a ellos

estn asociados los estados de la naturaleza o eventos inciertos.
fo
ro
La Maximizacin del Valor Esperado del Beneficio Neto corresponde a

nodos de decisin.
w
w
.a
dm
yc
on
t
un
a.
Lo anterior se esquematiza en la figura 5-16.
Nodo
Operacin
Decisin
Incertidumbre
Maximizacin Valor Esperado
FIG. 5-16
De esta forma, al obtener el rbol definitivo cada uno de los nodos y ramas
tendrn valores monerarios asignados a ellos.
5.8. EVALUACIN DEL RBOL DE DECISIN
Veamos el procedimiento para evaluar el rbol de decisin, obteniendo los
valores asignados a los nodos de incertidumbre y decisin.
110
El proceso se inicia en los nodos terminales y se realizan los clculos de atrs

hacia adelante. A fin de facilitar la comprensin de dicho proceso de clculo,
hemos dividido el mismo en varios pasos, los cuales describiremos a continuacin.
5.8.1. Paso 1
Proceso de Expectacin: clculo del Valor Esperado asociado a los nodos de
incertidumbre
a)
Cada uno de los valores asignados a los nodos terminales, se multiplican por la probabilidad asociada a la rama correspondiente hasta el
nodo de incertidumbre ms cercano.
b)
Se suman todos los valores que convergen a un nodo de incertidumbre y ese ser el valor esperado asignado a ese nodo de incertidumbre.
s.
c
om
Vamos a utilizar nuestro ejemplo de perforacin de pozos petroleros para

ilustrar esta parte del proceso (figura 5-17).
fo
ro
4 -200.000
300.000
+ 1.000.000
w
w
.a
dm
yc
on
t
un
a.
0,52
FIG. 5-17
Los nodos 4, 5 y 6 son nodos terminales que convergen al nodo de

incertidumbre 2 y el nodo terminal 7 converge al nodo de incertidumbre 3.
Procedamos a realizar el paso 1
Paso 1-a
Se multiplican los valores de los nodos terminales por la probabilidad asociada a sus respectivas ramas.
Convergen
nodo 2
(Valor nodo 4)
(Valor nodo 5)
P (0 j ) = (-200.QOO) (O 52) = -104.000

P(0 2 )= ( 300.000) (0,26) = + 78.000
(Valor nodo 6)
P (0 3 ) = (1-000.000) (0,22) - + 220.000
Digitalizado por Liz Zambrano para www.admycontuna.mforos.com111
{(Valor nodo 7) P<0) = (0) (1) = O
Convergen
nodo 3
Efectuamos el Paso 1-b

Se suman los valores que convergen a un mismo nodo de incertidumbre.
Nodo incertidumbre (2) - - 104.000 + 78.000 + 220.000

= 194.000
Nodo incertidumbre (3)= O
om
Los valores as determinados corresponden al Valor Esperado de

cada nodo de incertidumbre.
-200.000
300.000
un
a.
fo
ro
s.
c
Representemos esto en el rbol de decisiones
w
w
.a
dm
yc
on
t
1.000.000
FIG. 5-18
Los valores indicados sobre cada nodo de incertidumbre representan entonces el Valor Esperado de los valores terminales, con
respecto a las probabilidades de las ramas correspondientes.
Como se puede notar, la operacin de expectacin est asociada a cada uno de los nodos de invertidumbre
5.8.2.
Paso 2
rbol modificado
Para lograr una mejor visualizacin, y a efectos de la evaluacin
del rbol de decisin, se puede asumir que a este nivel, sobre el
rbol han sido eliminadas todas aquellas ramas que fueron utilizadas en el paso anterior, quedando ahora como nodos terminales los riodos de incertidumbre ms prximos, que tendrn
asignado el valor terminal igual al valor esperado calculado en
el paso anterior.
112
om
FIG. 5-19
s.
c
A este nuevo rbol lo llamamos rbol modificado,
fo
ro
Ahora se examina el rbol modificado y se procede de la

siguiente manera:
un
a.
a) Si alguno de los nodos subsiguientes es un nodo de

incertidumbre, se procede a aplicar el paso 1.
yc
on
t
b) Si alguno de los nodos subsiguientes es de incertidumbre, entonces se procede a seguir el paso 3, el

cual indicaremos a continuacin.
w
w
5.8.3. Paso 3
.a
dm
En nuestro ejemplo de la perforacin del pozo, representamos el

rbol modificado por la figura 5-19. Como se observa en este ejemplo, estamos ante una situacin como (b).
Proceso de Maximizacin: clculo del Valor Esperado asociado a los

nodos de decisin
Se elige entre los valores esperados o terminales que convergen a un
nodo de decisin, el que tenga el mximo valor y se toma ese valor
como el valor asociado al nodo de decisin que, a su vez, est asociado a una determinada alternativa, es decir:
Valor asociado
al nodo
= Mximo
de decisin
Valores esperados asociados

a los nodos precedentes
Una vez finalizado el paso 3, se regresa nuevamente al paso 2.

El clculo del rbol habr finalizado una vez que se llega al nodo
inicial del rbol de decisiones.
Volviendo al ejemplo que estamos analizando, como indicamos anteDigitalizado por Liz Zambrano para www.admycontuna.mforos.com
113
riormente, una vez obtenido el rbol modificado observamos que en

la prxima etapa nos encontramos con nodos de decisin, por lo
tanto, debemos proceder a aplicar el paso 3,
Valor nodo
inicial
Mximo
(l94.000 ;0}
194,000
Por lo tanto, el valor que maximiza el Beneficio Neto es ciento

noventa y cuatro mil bolvares (Bs. 194,000), valor asociado al nodo
de decisin, y que corresponde a la alternativa de perforar el pozo.
(0)
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
194.000)
Este valor representa el Beneficio Neto (BN) promedio que obtendremos al tomar la decisin de perforar el pozo.
El Beneficio Bruto (BB) promedio estar dado por
BB = BN + costo = 194.000+ 200.000 = 394.000
El proceso de determinacin de los valores asignados a los nodos ha
culminado, ya que se ha asignado un valor (Bs. 194.000) al nodo
inicial, el cual corresponde a la decisin de perforar el pozo. Por lo
tanto, el presidente de la compaa de pozos petroleros, de seguir un
anlisis de esta naturaleza y asumiendo todas las prez
das, deber decidir t
5.9. ESQUEMATIZACION DEL PROCEDIMIENTO GENERAL PARA LA

EVALUACIN DEL RBOL DE DECISIN
A travs de diagrama de flujo que se indica a continuacin, se indica el procedimiento que, en forma general, se sigue para determinar los valores asignados a
los nodos de incertidumbre y de decisin.
Estructural rbol
PASO O
Estructuracin
Asignar valores a ramas y nodos terminales
Hallar valores esperados de nodos'

de incertidumbre ms cercanos
om
PASO 1
Expectacin
a.
fo
ro
s.
c
Hallar rbol modificado
w
w
.a
dm
yc
on
t
un
Se-
lleg al nodo
inicial?
PASO 2
rbol modificado
Hay
nodos de
incertidumbre
prxima
etapa1?
Maximizar valor esperado

y asignarlo nodo decisin
PASOS
Maxim izacin
115
Utilicemos el procedimiento para operar sobre rboles de decisin en el

ejemplo de la perforacin del pozo petrolero, considerando adicionalmente la
conveniencia de realizar, previo a la perforacin o no del pozo, un estudio de suelo. Supondremos que los resultados del estudio son 100 % confiables.
Procedimiento
Paso O
Procedamos a granear el rbol de decisin.
Tabla de
Valores
fo
ro
s.
c
om
Nodo
1.000.000
12
-300,000
13
200.000
14
900.000
15
-100.000
16
-300.000
17
200.000
18
900.000
11
11
-100.000
19
19
m
a.
-200.000
300.000
JL2
w
w
.a
dm
yc
on
t
un
Valor
Esperado
F1G. 5-21
rbol decisin perforacin pozo
116
Paso 1
En este primer paso los nodos de incertidumbre son (4) (9) (10)
Por lo tanto
Paso 1.1.
(-200.000) 0.52:
300.000 0,26 =
1.000.000 - 0,22:
-104.000
78.000
220.000
Converge
nodo
9
(-300.000) -0,4 =
( 200.000) - 0,2 (900.000) -0,4 =
-120.000
40.000
360.000
Converge
nodo
10
(-300.000) 0,6 =
(200.000)- 0,3 =
( 900.000) 0,1 -
-180.000
60.000
90.000
s.
c
om
Converge
nodo
2
fo
ro
Paso 1a
194.000
280.000
-30.000
un
a.
Nodo incertidumbre (2)=

Nodo
"
(9)=
Nodo
"
(10)=
w
w
.a
dm
yc
on
t
Paso 2
Fig. 5-22 rbol modificado
En este caso estamos ante la situacin b, entonces procedemos al paso 3.

Paso 3
Los nodos de decisin son el (7) y (8), hay que maximizar, es decir,
Valor nodo (7) - Mximo 280.000;
- 280.000
100.000
Por lo tanto, el valor asignado al nodo 7 es-280.000 que corresponde a la

decisin de perforar.
Por otra parte
I -30.000;
-100.000
om
Valor nodo (8)= Mximo

= -30.000
s.
c
Por lo tanto el valor asignado al nodo 8 es -30.000 que corresponde a la decisin de perforar.
(Perforar.)
.a
dm
yc
on
t
un
a.
fo
ro
Una vez finalizado este clculo, regresamos al paso 2, es decir, construimos ei

rbol modificado
w
w
(Perforar)
FIG.5-23. rbol modificado
Preguntamos ahora, hemos llegado al nodo inicial?

La respuesta es no, por lo tanto continuamos al prximo paso del ciclo.
Hay nodos de incertidumbre?
La respuesta es s, el nodo (3) por lo tanto debemos realizar las operaciones
indicadas en el Paso 1.
Valor esperado
nodo 3
118
= 0,4
280.000 + 0,6 (-30.000) =
= 152.000-18.000=134.000
Continuando el ciclo procedemos al paso 2
s.
c
om
El rbol modificado ser.
fo
ro
fig. 5-24
a.
un
on
t
Hay nodos de decisin no valorados?

S
Hay puntos de incertidumbre no valorados?

No
yc
Entonces procedemos a la Maximizacin del nodo de decisin (1)
dm
(Paso 3)
w
w
.a
Valor nodo (3) -Mximo (194.000;

134.000; o)
= 194.000, que corresponde a
la alternativa de perforar sin hacer el estudio
previo.
Entonces para este problema de decisin la alternativa que maximiza el valor
esperado del Beneficio Neto es perforar el pozo sin realizar estudio previo.
Analicemos un tercer ejemplo, donde contemplamos la presencia de variables
aleatorias continuas.
Un comerciante desea analizar la posibilidad de comprar o no una determinada maquinaria. El costo de inversin es de veinte mil bolvares (B S20.000) y l
estima que puede obtener un beneficio neto de cien mil bolvares (B $ 100.000),
por la operacin de la maquinaria en el lapso de un ao. Ahora bien, la vida de
operacin de la mquina es una variable aleatoria representada por f(x)
f
(X)
1/3
119
es decir
J- O
f(x)
O
x >
El Beneficio Neto total que podr obtener el comerciante, en su forma ms simplificada, vendr dada por:
B (x) - 100.000 x -20.000
Donde
x: nmero de aos que opera la mquina.
om
Estructuremos el rbol de decisiones.
fo
ro
Comprar mquina
No comprar mquina
s.
c
Las alternativas sern:
on
t
un
a.
Los estados de la nat'iralea, estarn representados por el tiempo de operacin de la mquina, que en nuestro ejemplo es una variable aleatoria continua,
expresado por la funcin de probabilidades
J_
x > 3
.a
dm
0< x < 3
yc
f(x) =
Paso O
w
w
La figura 5-25 indica el rbol estructurado
100.000 x-20.000
FIG. 5-25
120
Pasol
Calculemos ahora los valores esperados asociados a los nodos de incertidumbre 2 y 3.
Nodo de incertidumbre (2)
Por ser la funcin densidad de probabilidad una funcin continua, sabemos
que para cada estado de la naturaleza xi se cumple que
B(x)f(x) =
(100.000 x - 20.000) _1_0 < x < 3

3
O
x>3
B (x) f(x) es la variable aleatoria que representa el beneficio neto.
=(
JO
(100.000 x -20.000) _1_ dx

3
100.000
6
x 2 - 20.000 x
150.000
a.
130.000
un
[B(x)f(x)] =
on
t
20.000 =130.000
s.
c
[B(x)f(x)l
fo
ro
om
Por lo tanto, el valor esperado en el nodo 2 ser
yc
Mientras que valor esperado para el beneficio neto en el nodo 3 es cero (0).
dm
Ardol modificado
w
w
.a
130.000
FIG. 5-26
Entonces procederemos a preguntar hay ms nodos de incertidumbre, en

prxima etapa?
No
Hay ms nodos de decisin prxima etapa?
S
Procederemos entonces, al paso 3
Paso 3
Maximizacin
Valor nodo (1)= Mximo
= 130.000
{130.000; 0}
121
Por lo tanto, el valor asociado al nodo de decisin es ciento treinta mil bolvares (B si30.000) y la alternativa es adquirir la mquina.
5.10. INTERPRETACIN DE LOS RESULTADOS DE LA EVALUACIN DEL

RBOL DE DECISIONES
Como indicamos al inicio de la seccin, el criterio de decisin para evaluar
una determinada estrategia no es nico.
s.
c
om
El criterio de maximizacin del valor esperado de los beneficios netos es

uno de ellos. En funcin de ese criterio hemos decidido, en nuestro ejemplo de la
compaa perforadora de pozos petroleros, que la estrategia que proporcione el
Beneficio Neto esperado mximo es la de perforar el pozo, es decir, ciento treinta
y ocho mil bolvares (Bs 138.000). Pero, qu interpretamos por el valor de
ciento treinta y ocho mil bolvares asociado a la accin de perforar el pozo?
fo
ro
Ese valor representa el Beneficio Neto que se debe esperar a la larga, sabiendo que la decisin debe tomarse una sola vez y que el comportamiento de la naturaleza, es decir, la ocurrencia de los posibles eventos, contina siendo en lo sucesivo como lo ha sido en el pasado.
dm
yc
on
t
un
a.
Realmente, una vez que se toma la decisin sobre la alternativa a elegir, el

Beneficio Neto que se obtendr no coincidir con el valor ciento treinta y ocho
mil bolvares (B s 138.000), sino que ser alguno de los beneficios netos que se
obtienen al producirse uno de los eventos de la naturaleza contemplados, es decir,
que el Beneficio Neto ser o bien Bs (-200.000) o Bs 300.000 Bs 1.000,00 y no
otro cualquiera, siempre que la naturaleza se comporte como hemos supuesto.
w
w
.a
En conclusin, el valor asignado a un nodo de decisin, al seguir el criterio de

decisin que maximiza el valor esperado del Beneficio Neto, no es exactamente el
que se obtendr una vez que se efecta la accin y se produzca la ocurrencia de
uno de los posibles estados de la naturaleza. Pero ese valor permite evaluar, en
trminos monetarios, el hecho de que no todos los eventos son .igualmente probables y que el Beneficio Neto que se obtendr al producirse una accin exitosa, es
considerable.
Debemos entender que el criterio de maximizacin del valor esperado del
Beneficio Neto, podra, en ciertas situaciones, no ser el ms adecuado, tal como es
el caso de situaciones en las cuales las prdidas o ganancias son muy elevadas.
En general, los beneficios monetarios no caracterizan plenamente todas las
posibles consecuencias o situaciones que puedan ser importantes para el Decisor.
122
AUTOE VALUACIN
Instrucciones
PRIMERA PARTE
Dados los problemas de decisin propuestos, responda las preguntas planteadas al final de cada enunciado.
1)
Un empresario dispone de diez millones de bolvares (B s 10,000.000) para

invertir en la construccin de una fbrica. Si las condiciones econmicas del
pas no cambian, l estima que la inversin le producir un rendimiento
anual del 15%, pero si ocurre una recesin econmica el rendimiento puede
bajar hasta el 6%.
om
Adicionalmente, est considerando la posibilidad de inversin en bonos que

proporcionan un beneficio seguro del 9% anual.
s.
c
Se pide:
Estructurar el problema en forma de rbol de decisin
Determinar cul es la probabilidad que debe asegurar el empresario, a la ocurrencia de una recesin econmica antes de opinar que
la decisin de invertir en bonos es la mejor estrategia a seguir.
on
t
Una persona que posee bienes por un valor A recibe una herencia en joyas
por un valor X. En las negociaciones para asegurar las joyas, tanto la compaa aseguradora como l asigna una probabilidad P de que las joyas .puedan
ser robadas. Asuma que tanto la aseguradora como el dueo de las joyas se
guan por el criterio del Valor Esperado y han acordado un valor R, para la
pliza anual que pagar ste.
3)
w
w
Se pide:
.a
dm
yc
2)
un
a.
fo
ro
Plantear el problema en forma de rbol de decisin
Establecer condiciones necesarias en R, el monto de la pliza

anual, que debe pagar el dueo de las joyas
Un competidor en una carrera asigna una probabilidad de 0,5 a que completar la carrera en un tiempo menor o igual a cuatro minutos.
Si l completa la carrera, entonces:
1) Su tiempo de terminacin de la carrera (t) estar uniformemente distribuido entre 3, 5 y 4 minutos.
2) Un premio que recibir ser X = 1000 (4-t).
Si l no completa la carrera dentro de los cuatro minutos no recibir
ningn premio.
123
Se pide:
Estructurar el problema en forma de rbol de decisiones

B
4)
Determinar la estrategia ptima utilizando el criterio del Valor

Esperado
Una compaa de tarjetas de crdito estima, basada en la experiencia, que los

solicitantes de tarjetas se pueden clasificar en dos tipos: solicitantes con buen
crdito (B) y solicitantes con mal crdito (M).
La experiencia ha indicado igualmente que las probabilidades que un solicitante resulte con buen crdito es de 0,6.
s.
c
om
Para la compaa, un tarjeta-habiente de buen crdito representa un beneficio anual de mil quinientos bolvares (B $1.500) mientras que un mal crdito
representa una prdida de mil bolvares (B si.000) anual.
on
t
un
a.
fo
ro
Para cada aplicacin o solicitud de tarjeta la compaa puede decidir otorgar

la tarjeta (T) o negarla (R) lo que puede hacer realizando o no una investigacin (I) del crdito del solicitante. Para ello utiliza los servicios de una agencia de investigacin de crditos que investiga las referencias del solicitante y
emite un informe que puede ser favorable (F) o desfavorable (D), al solicitante. Generalmente, si el solicitante es un buen crdito la agencia es
60% confiable, esto es P (F/B) - 0,6.
dm
yc
Si por el contrario, el solicitante es realmente un mal crdito, la agencia es

todava ms confiable y P (D/M) = 0,9.
w
w
.a
La agencia de investigacin de crdito cobra fijo diez bolvares (B *10) por

cada reporte y, adicionalmente, veinte bolvares (Bs. 20) si el reporte es favorable, pues toma ms tiempo verificar un buen crdito que eliminar un sujeto
con mal crdito.
Se pide:
Estructurar el problema en forma de rbol

B
Determinar la decisin ptima utilizando el criterio del valor

esperado
124
Instrucciones
SEGUNDA PARTE
de respuesta. Slo una de las alternativas es correcta para cada situacin. Seleccione la alternativa correcta y selela encerrando en un crculo la letra que la identifica.
Un Decisor enfrenta la situacin de decisiones indicada en el rbol de decisiones siguiente:
fo
ro
s.
c
om
5)
0,5
on
t
1,0
yc
dm
0,4
.a
0,6
w
w
6)
un
a.
Para qu valor de P, el Decisor ser indiferente entre seleccionar la estrategia M o la estrategia N?
Un Decisor que sigue el criterio de decisin del Valor Esperado enfrenta la

situacin de decisiones diagramada debajo:
-12
o o
125
La decisin ptima es;

Alternativa I
Alternativa II
Alternativa III
Alternativa I y II
La vida til de una mini-computadora es una variable aleatoria representada

por
om
7)
s.
c
f(x)
un
a.
fo
ro
0,4
dm
yc
on
t
Supngase que queremos decidir si compramos o no una mini-computadora;

sabemos que cuesta veinte mil bolvares y que cada ao que est funcionando nos reportar un Beneficio neto de quince mil bolvares. Para tomar la
decisin nos basaremos en el clculo del Valor Monetario Esperado (VME).
VME- 45.000
w
w
.a
VME- 25.000
VME = 37.500
VME-
126
1-B
2
2-A
OBJETIVO EVALUADO
Ver vlave
razonada
P=2/3
11
5.6
11
5.6
Ver clave
razonada
11
5.7-5.8
om
1
1-
CLAVE
s.
c
PREGUNTA
2-B
5.7-5.8
Participar
en carrera
11
11
5.6
5.10
11
5,6
Otorgar tarjeta sin realizar investigacin del

crdito del
solicitante
11
5.10
b (P - 0.4)
11
5.9-5.10
d (alternativa I y II)
11
5.9-5.10
d(VME
-53.500)
11
5.9-5.10
yc
dm
w
w
4-B
Ver clave
razonada
.a
4
4-A
3-B
on
t
un
a.
Ver clave
razonada
fo
ro
11
3
3~A
SECCIN
REFERENCIA
127
Clave razonada:
fo
ro
s.
c
om
Pregunta 1
o 9%
dm
yc
on
t
un
a.
E (Fbrica) = (1-P) 15% + P 6%

E (Bonos) = 1 - 9 9 6
E (Fbrica) = E (Bonos)
(1-P) 15% + P 6 % = 9 %
6P + 15 15P = 9
.a
Pregunta 2
w
w
A-fx-R
x - R > P A + (1-P) (A + x)
R<Px
Pregunta 3
De los datos del problema
(4-t)
E(nodo 3 )=
.a
dm
Clculo del rbol de decisiones
w
w
b)
yc
on
t
un
a.
fo
ro
s.
c
om
1000
1.1000(4-t)dt
3.5
E (nodo 3) =
125
E(nodo 2) =
E (nodo 3) >
E(nodo 2)
Luego:
La estrategia ptima es:
Participar en carrera
129
15
Pregunta 4
1490
4010
dm
yc
on
t
un
a.
fo
ro
s.
c
om
1470
w
w
.a
Gkuo d las probabilidades
0,24
0,04
P("F")
iao
Entonces el rbol quedar de la siguiente forma:
a.
fo
ro
s.
c
om
1500
w
w
.a
dm
yc
on
t
un
1470
-1010
O -10
'
.
131
Clculos sobre el rbol

-
fo
ro
s.
c
om
b)
w
w
.a
dm
yc
on
t
un
a.
(500)
(1220)
Del rbol
(10)
E(T)= 500
E(R)= O
E (I) = 482.
E (T) >E (R,
Por lo tanto la Estrategia ptima es T y en definitiva la decisin ptima

es otorgar la tarjeta de crdito sin realizar la investigacin del crdito
del solicitante.
Pregunta 5
E(M) =
E (N) =
(6)
-P) = 9P-3
(-3)
(-3)
E (M) = E (N)
9P - 3 = 1 - P
P = 04
Indiferencia
ante estrategias M y N.
Pregunta 6
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
(+2)
+2}
La respuesta (d) es la correcta, pues las alternativas I y II son ptimas ambas.

133
Pregunta 7
De acuerdo a los datos, el Beneficio Neto total, en su forma ms simplificada, vendr dado por
BN = 15.000 x - 20.000
donde
x representa el tiempo, en aos, que opera la computadora.
Estructuremos el rbol de decisiones.
Las alternativas sern.
Comprar minicomputadora
No comprar minicomputadora
fo
ro
s.
c
om
Los resultados de la naturaleza estarn representados por el tiempo de duracin de la minicomputadora, que en nuestro ejemplo es una variable aleatoria, expresada por la funcin de probabilidades.
0<x<2
fO,4
a.
2<x<3
un
l(3-X)0,4
f(x) =
15000 X - 20.000
w
w
.a
dm
yc
on
t
La figura indica el rbol estructurado
Ali
Calculemos ahora los valores esperados asociados a los nodos de incertidumbre2y 3 (Paso 1).
Nodo de incertidumbre (2)

Por ser una funcin continua sabemos que para cada estado de naturaleza x.
134
(15.000 x -20.000)
0,4
o < x <2
COStO X;
(15.000 x-20.000) 0,4 (3-x) 2 < x < 3

P(x)
COStO X;
lo tanto
(15.000 x-20.000) 0,4 dx
E(nodo 2)
s.
c
fo
ro
I2
E (nodo 2)- 6000 j-8000 x
9
Jo
om
(15.000x-20.000) 0,4 (3-x) dx
un
a.
18 000 x 2 - 6.000^ -24.000 x + 8000 x 7

T
3
2
dm
- 1000
w
w
.a
E (nodo 2) = -1000
Mientras que:
24.000
yc
on
t
- 12000-16.000 4- 26.000 _5_-6000. 19.

2
3
E (nodo 3) - O
Paso 2 rbol Modificado
135
Preguntamos hay ms nodos de incertidumbre?

No
Hay ms nodos de decisin?
S
Entonces procedemos al paso 3
Paso 3 Maxim izacin.
Valor nodo (1) = Mximo -1000,0 }
= -1000
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Por lo tanto, el valor asociado al nodo de decisin es cero bolvares (Bs.) y la

alternativa a elegir es no adquirir la mini-computadora para tener el mximo
valor esperado..
136
BIBLIOGRAFA EMPLEADA PARA EL MODULO I

Teora de Decisiones en el Sector Pblico y
en la Empresa Privada. Representaciones y
Servicios de Ingeniera, Mxico, 1977.
CARLUCCI, Francesco
Appunti per una Tera delle Decisioni. Universit di Roma, 1974.
DALL'AGLIO, Giorgio
Lezioni sulla Probabita, Universit di Roma, 1974.
DRAKE, Alvin
Fundamentis of Applied Probability Theory. Me Graw-Hill, USA, 1967.
GNEDENKO, Jinchin
Introduccin al Clculo de Probabilidades.

Eudeba, Buenos Aires, 1974.
R. A., Howard
Decisin Analysis: Applied Decisin Theory. Proceedings of the Fourth International

Conference on Operational Research. Wiley
interscience, 1966.
R. A., Howard
Decisin Analysis in Systems Engineering.

System Concepts: Lectures on Contemporary Approaches to Systems: John Wiley &
Sons, 1973.
R. A., Howard
The Foundations of Decisin Analysis.

IEEE Transactions on Systems Science and
Cybernetics, Vol. SSC-4 No. 3, Sept. 1968
PP. 1-9.
w
w
LARSON, Harold J.
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
AGOSTA FLORES, Jos Jess
Introduction to Probability Theory and

Statistical Inference. J. Wiley & Sons 1973.
MAITRA, Amis Kumar
Sur la Thorie de la Decisin dasn le cas d*

un nombre fin d' etats, Universit de Paris,
1966.
MATHESON - Howard
And Introduction to Decisin Analysis.

Stanford Research Institute, 1968.
MEYER, Paul
Introductory Probability and Statistical

Applications. Addison Wesley USA, 1966.
MATHESON - Roths
Decisin Analysis of Space Projects. Voyager Mars. National Symposium, "Saturn/

Apollo and Beyond" American Astronutica! Society, 1967.
NORTH, D. W.
A Tutorial Introduction to Decisin Theory. IEEE Transactions on Systems Sciense

& Cybernetics. Vol SSC-4, No. 3, 1968.
137
Probability Random Variables and Stochastic Processes. Me Graw-Hill, USA, 1965.
PARSEN, Emanuel
Teora Moderna de las Probabilidades y sus

Aplicaciones. Limusa. Mxico, 1973.
RHEAULT, Jean Paul
Introduccin a la Teora de las Decisiones.

Limusa, 1979.
SPETZLER & Stael von Holstein
Probability Encoding in Decisin Analysis.

ORSA-TIMS-AIEE, 1972. Jpint National
Meeting, Atlantic City, New Jersey, 1972.
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
PAPOULIS, Athanasios
138
s.
c
om
MODULO II
fo
ro
LAS PREFERENCIAS DEL DECISOR Y SU
w
w
Lista de Unidades
.a
dm
yc
on
t
un
a.
ACTITUD ANTE EL RIESGO
Unidad 6.
Las Preferencias del Decisor
Unidad 7.
La Actitud del Decisor ante el Riesgo
Unidad 8.
Criterios de Decisin
\d 9. El Valor de la Informacin
Objetivos
Al finalizar el estudio del Mdulo II, el estudiante deber estar en capacidad
de:
Dado un problema de decisin, determinar la alternativa ptima de acuerdo a los objetivos y preferencias del Decisor.
Determinar el Valor de la Informacin en un problema de decisin.
a.
fo
ro
s.
c
om
un
Introduccin
yc
on
t
Tomar decisiones no es un acto aislado, sino que es un proceso que se realiza

en varias etapas:
Diagnstico y clasificacin del problema de decisin.
2)
Estructuracin del problema de decisin.
3)
Anlisis de las alternativas.
4)
Seleccin de la alternativa ptima.
w
w
.a
dm
1)
En el primer Mdulo de este Curso hemos aprendido a resolver las dos primeras etapas de este proceso de analizar decisiones; en el segundo estudiaremos
los instrumentos para llevar a cabo las dos ltimas etapas.
La primera Unidad del Mdulo se dedica a las Preferencias al Valor y a las
Preferencias Temporales.
La segunda Unidad estudia las Preferencias al Riesgo o actitud del decisor
ante el riesgo.
Las tercera establece los Criterios de Decisin para seleccionar la alternativa
ptima.
En la ltima Unidad se contempla el Valor de la Informacin en un problema de decisiones.
141
( .

XL
^.
^^
LAS PREFERENCIAS DEL DECISOR
Al finalizar el estudio de esta Unidad, usted deber estar en condiciones de:

12) Asignar valores a los resultados de un problema de decisin.
om
13) Aplicar el criterio del Valor Presente para considerar las preferencias temporales del Decisor.
s.
c
fo
ro
6.1. Preferencias del Decisor
Pag.
144
144
a.
6.2. Preferencias al Valor
145
un
6.3. Criterios de Valoracin y Asignacin de Valores
dm
151
152
6.5. Conceptos Bsicos
Inters
Tasa de Inters
Valor Temporal del Dinero
Diagama-de Flujo de Fondos
Equivalencia
Frmulas de Inters
,
Equivalencia de Flujos de Fondos
w
w
6.5.1.
6.5.2.
6.5.3.
6.5.4.
6.5.5.
6.5.6.
6.5.7.
145
146
147
.a
6.4. Preferencias Temporales
yc
on
t
6.3.1. Objetivos y Atributos

6.3.2. Seleccin del Criterio de Valoracin
6.3.3. Ejemplos de Valoracin
.
.
6.6. Criterios o ndices de Comparacin de Alternativas

6.6.1.
6.6.2.
6.6.3.
6.6.4.
Flujo Neto de Fondos

Clculo del ndice Valor Presente
Utilizacin del ndice Valor Presente
Criterio para la utilizacin del ndice Valor Presente
152
152
152
153
154
155
159
162
...
.
6.7. Resumen
162
164
165
167
168
Autoevaluacin
169
173
143
6.1. PREFERENCIAS DEL DECISOR

Una vez que se ha estructurado el problema de decisin, identificando los
elementos que lo conforman y desarrollado alternativas y resultados es necesario analizar y comparar las alternativas factibles. La comparacin de alternativas
requiere la valoracin y evaluacin de los resultados, en funcin de los objetivos
y preferencias del Decisor, con el propsito final de determinar la alternativa que
ms satisfactoriamente cumple con sus objetivos y preferencias.
om
Para la valoracin de resultados se utilizan criterios de valoracin. Como estudiaremos posteriormente, en la mayora de los problemas de decisin, la manera ms fcil de valorar adecuadamente los resultados es atribuir un valor monetario a las consecuencias de cada alternativa. A este proceso de asignar valores a
los resultados se le llama Valoracin y al medio o recurso de asignacin se le
llama Criterio de Valoracin. Los criterios de valoracin vienen determinados por
los objetivos y preferencias del Decisor.
s.
c
Por valor entenderemos la deseabilidad de un resultado.
fo
ro
Por preferencias entenderemos la actitud del Decisor hacia los resultados,

actitud que puede estar en referencia a:
El valor del resultado
un
a.
El tiempo en que ocurra el resultado
on
t
El riesgo que involucra el resultado
dm
yc
El anlisis de decisiones ha realizado una importante contribucin al estudio

de esos problemas al proveer una metodologa para el tratamiento de Valores y
Preferencias. Dicha metodologa considera tres tipos de preferencias.
.a
Preferencias al Valor
w
w
Preferencias Temporales
Preferencias al Riesgo
El problema fundamental del tratamiento de las preferencias del Decisor estriba en cmo introducirlas en el anlisis, cmo lograr cuantificarlas de manera
que permitan la valoracin y evaluacin del rbol de decisiones.
En esta Unidad nos dedicaremos al estudio de. los mtodos y criterios para
establecer las preferencias al Valor y las Temporales.
En la Unidad siguiente estudiaremos la actitud del Decisor ante el riesgo o
Preferencias al Riesgo.
6.2. PREFERENCIAS AL VALOR
La Preferencia al Valor, asignacin de valor o simplemente valoracin, considera la existencia de los varios resultados posibles y la necesidad de establecer el
valor relativo de cada resultado con el fin de compararlos. Por lo tanto, la preferencia al valor responde a la pregunta: cunto ms valioso es este resultado que
aqul?
144
Como es lgico suponer, el primer paso para la comparacin de alternativas

es asignar valores numricos a los posibles resultados.
La primera suposicin que debe hacerse es que dos posibles resultados, cualesquiera que ellos sean, puedan ser comparados, es decir, dados dos resultados el
Decisor debe poder establecer cul prefiere.
Aunque en algunos casos, las decisiones pueden alcanzarse como producto
de ordenar los resultados en trminos de una deseabilibilidad o cualidad que salte
a la vista, la mayor parte de los problemas requiere un criterio para ordenar los
resultados; tal criterio se conoce como Criterio de Valoracin.
6.3. CRITERIOS DE VALORACIN Y ASIGNACIN DE VALORES
fo
ro
s.
c
om
Los Criterios de Valoracin} funciones de valoracin o modelos de valoracin, como tambin se les llama, cuantifican la preferencia del Decisor por un resultado en comparacin con otros, asignando valores a cada resultado. Asignar un
alor significa asociar un valor cualitativo o cuantitativo a un resultado. Aunque
un resultado pueda tener muchas caractersticas o atributos que lo describan, generalmente, la asignacin de valor utiliza un solo nmero o figura, que se asocia
con el resultado, y el cual resume el conjunto de atributos.
dm
yc
on
t
un
a.
Como veremos posteriormente, en algunos casos es fcil asignar objetivamente un valor a cada resultado valcjr que describe adecuadamente las consecuencias
de ese resultado. Por ejemplo, en un problema de negocios, el valor de que hablarr.os sera un valor numrico y monetario, que refleje plenamente todas las consecuencias financieras y econmicas del resultado, sin que haya lugar a considerar
3tros factores. En un problema de medicina, el valor podra ser la rata de curacin
para una enfermedad dada. En tales problemas, las consecuencias se describen
adecuadamente en trminos de un atributo, el cual se escoge porque refleja satisfactoriamente las consecuencias y efectos asociados ai resultado que se considera.
.a
Tal atributo no es un parmetro escogido al azar sino que su seleccin est

en estrecha concordancia con los objetivos y preferencias del Decisor.
w
w
6.3.1. Objetivos y Atributos

No existe una definicin umversalmente aceptada de los trminos
Objetivos y Atributos; en el contexto del anlisis de decisiones,
estos trminos se manejan en relacin con las ideas de ndice de
deseabilidad o medidas de efectividad de un resultado.
De manera que entenderemos por objetivos a los fines que persigue
e! Dedsor, Los objetivos son un reflejo de su escala de valores y rigen
sus preferencias. Los objetivos pueden medirse o ser observados mediante un atributo.
Por atributo entenderemos al parmetro o caracterstica que se utiliza
para medir el grado en que un resultado satisface un objetivo. El
valor de un atributo generalmente se expresa en cantidades escalares,
en cuyo caso se habla de atributo escalar. Tambin se habla de atributos vectoriales cuando tienen varios componentes. En resumen: un
atributo provee una escala para medir el grado en el cual se satisface
el objetivo respectivo.
145
Para aclarar estas ideas, consideremos el siguiente ejemplo.

Supongamos que estamos estudiando el servicio de Correos. El objetivo global del Correo es proveer un servicio eficiente y confiable.
Este objetivo global puede instrumentarse en otros ms detallados y
manejables en trminos analticos:
1)
Minimizar el tiempo de entrega del correo.
2)
Maximizar el porcentaje de correo entregado..
Para el primer objetivo, minimizar el tiempo de entrega se puede definir el atributo, tiempo en das desde el remitente al destinatario.
om
La definicin de atributos se realiza con la finalidad de valorar, evaluar y comparar resultados. El proceso de generar objetivos y atributos es un proceso creativo por parte del analista y del Decisor y por
lo tanto no admite mtodos formales ni recetas efectivas para todos
los casos prcticos.
un
a.
fo
ro
s.
c
Recordemos el caso del Correo, donde el objetivo establecido era minimizar el tiempo de entrega, el cual fue caracterizado por el atributo: minimizar el nmero de das de entrega del correo; por lo tanto
el parmetro sobre el cual debe enfocarse el anlisis es el tiempo de
entrega y, por consiguiente, se analizarn y compararn los resultados
en base al tiempo y se considerarn mejores los resultados y alternativas que optimicen el para'metro (atributo) tiempo.
on
t
6.3.2. Seleccin del Criterio de Valoracin
w
w
.a
dm
yc
En situaciones comerciales o empresariales, el valor asociado a un reresultado es tpicamente alguna forma de beneficio econmico; el Decisor o el analista escogern tomando en cuenta los objetivos del decisor, el criterio de valoracin a utilizar, as podran valorarse los resultados en base a utilidades, beneficio neto, crecimiento, etc. o cualquier
parmetro financiero. En general, si el problema de decisin se refiere
a la asignacin de recursos monetarios, entonces en lgico medir el
valor en trminos monetarios.
Cuando un Decisor sea particularmente opuesto a asignar valores
en una escala monetaria directamente puede emplearse una escala
cardinal; sta se construye de tal manera que el beneficio ptimo
represente un valor mximo que se fija. Los otros beneficios se refieren a ese valor mximo, obtenindose as un sistema o escala de
valores relativos.
En otras reas, especialmente en problemas sociales, militares, de

salubridad, etc., la asignacin de valor es ms difcil porque requiere cuantificar el valor de una vida humana, el valor de una vida saludable, etc., en trminos numricos y aun monetarios. Estos casos
son difciles de cuantificar porque los factores involucrados son
complejos. Los criterios a utilizar, en este tipo de problemas, es
capan al nivel de este Curso y por !o tanto, no sern considerados.
146
6.3.3, Ejemplos de Valoracin

Ejemplo No. 1
Suponga que usted se plantea la posibilidad de pasar un da en la
playa. La decisin de ir a la playa puede resultar en un alto grado
de satisfaccin si el da es soleado o en un alto grado de desagrado
si es lluvioso. Estos niveles de satisfaccin se invertiran si la decisin que se toma es la de permanecer en casa.
Usted desea estudiar el problema de decisin y valorar los resultados
Solucin:
Las alternativas son dos:
om
Ir a la playa
s.
c
Permanecer en casa
fo
ro
Los estados naturales son dos:
~ Sol
a.
Lluvia
on
t
un
De manera que para cada alternativa hay dos resultados posibles; por lo que, en total, tenemos que valorar cuatro resultados.
dm
yc
Para efectuar la valoracin debemos seleccionar algn criterio de

valoracin. Para ilustrar el problema realizaremos la valoracin
utilizando criterios diferentes.
w
w
.a
Hagamos en primer lugar una valoracin cualitativa de los resultados lo cual ilustramos en la grfica 6-.
ESTADO NATURALES
SOL
PLAYA
SATISFACCIN
CASA
MALHUMOR
LLUVIA
DISGUSTO
CONFORMIDAD
Grfica 6-1
147
En la grfica hemos valorados a cada resultado segn el efecto

que nos produce.
Podemos realizar otro tipo de representacin para la misma
valoracin, como en la grfica 6-2.
ESTADOS NATURALES
un
a.
fo
ro
s.
c
om
i
on
t
GRFICA 6-2
w
w
.a
dm
yc
Probablemente consideremos que las valoraciones anteriores, a

pesar de ser muy grficas e ilustrativas, no nos ayudan a decidir,
as que trataremos otro criterio, utilizando una escala de valoracin; escogemos el resultado que nos parezca ms valioso, el
que preferimos a los otros y le asignamos un valor de 10, por
ejemplo, y sobre esta base valoramos los resultados restantes.
Los valores los indicamos en la grfica 6-3
ESTADO NATURALES
SOL
PLAYA
LLUVIA
10
CASA
GRFICA 6-3
148
Los valores positivos se interpretan como un beneficio para el

Decisor; mientras que los valores negativos se interpretan como
un costo para l.
Alternativamente podemos estructurar el problema en forma de
rbol de decisin, grfica 6-4
RBOL DE DECISIN
VALOR
10
fo
ro
s.
c
om
Playa
a.
Casa
GRFICA 6-4
.a
dm
yc
on
t
un
Lluvia
w
w
Es importante que el estudiante perciba y entienda el carcter

netamente subjetivo de la valoracin. Debe quedar muy claro
que el valor asignado a cada resultado refleja la actitud del Decisor hacia ese resultado y que ella es producto de sus objetivos y preferencias. Igualmente debe comprenderse, que diferentes personas podran asignar diferentes valores al mismo
resultado, lo cual confirma el carcter subjetivo de la valoracin.
Ejemplo No. 2
Un industrial debe decidir si adquiere una maquinaria por 1,5
millones de bolvares, la cual le producira una ganancia que ha
sido estimada como se indica en la tabla anexa, siendo los costos de operacin del orden de Bs. 150.000 anuales.
Otra posibilidad de inversin contemplada por el industrial,
es invertir su dinero a plazo fijo al 20 % de inters anual.Para los fines
de 1 ao.
anlisis a realizar debe suponerse un perodo
149
TABLA DE GANANCIAS
Probabilidad de que Ja ganancia sea (G.)
GANANCIA (G)
en millones
3.5
0.35
3.0
0.25
2.0
s.
c
Grfica 6-5
om
0.40
fo
ro
El industrial desea estudiar sus alternativas, valorar los resultados y escoger una estrategia.
un
a.
Solucin
on
t
Considerar las alternativas:
yc
I: Comprar maquinaria
dm
II: Depositar a plazo fijo
w
w
.a
III: Guardar dinero en casa

(no hacer nada)
Valoracin
Puesto que se trata de un problema de inversin, donde el principal objetivo del Decisor es elrendimiento o rentabilidad de su
inversin, es apropiado utilizar, como criterio de valoracin, el
beneficio econmico, definido como la diferencia entre los
ingresos totales menos los costos totales, o sea:
B= I-C
donde
B es el beneficio neto
I son los ingresos o ganancias totales
C son los costos totales
150
Estructuracin; (cantidades en millones)
RBOL DE DECISIN
VALOR
= 3.5-(1.5 +0,15)
= 1.86m
B = 3.0-(1.5 +0.15)
3 = 2.0(1.5 +0.15)
s.
c
om
3= 0.35m.
fo
ro
1=1.5 + 0 . 2 ( 1 . 5 }
= 1.80 m
on
t
un
a.
III
= 1.5 m
dm
yc
Grfica 6-6
.a
Despus de asignar su valor a cada resultado, debemos

determinar la mejor estrategia, para lo cual calculamos el
valor esperado para cada alternativa.
w
w
E [I] = .40(1.85) +35(1.35)+ .25( .35)

E [I] =1.3
E [II] =1(1.8) =1.8

E[III]= 1(1.5) = 1.5
Puesto que el mayor valor esperado es el de alternativa II,
debe seleccionrsele y por consiguiente la estrategia a
seguir es depositar a plazo fijo.
6.4. PREFERENCIAS TEMPORALES
Si los resultados y consecuencias de una decisin se producen en el transcurso del tiempo, es necesario establecer las preferencias temporales del Decisor. Preferencias temporales, o preferencia al tiempo, es un trmino utilizado para describir el fenmeno humano de la impaciencia. Esta impaciencia se traduce en preferir percibir poco ahora, que mucho despus, o sea, que todos deseamos que las
cosas buenas nos sucedan ms bien pronto que tarde. El pago de intereses por el
uso del dinero es un reflejo prctico de este fenmeno.
151
Al igual que las personas, la tendencia general de las empresas y organizaciones es considerar ms valiosos los resultados percibidos pronto que los recibidos ms tarde. En las organizaciones, este fenmeno usualmente ocurre en conexin con el flujo de beneficios en el tiempo; de hecho, los flujos de beneficios
que muestran una mayor porcin de retorno en los perodos tempranos, se prefieren generalmente.
En el proceso del anlisis de decisiones, la asignacin de valores a los resultados, en primer lugar, y segundo, el establecimiento de las preferencias temporales
del Decisor permiten jerarquizar u ordenar los resultados, primero como un conjunto de valores y luego como un valor equivalente, el cual permitir y facilitar la
comparacin de alternativas.
s.
c
om
Para el tratamiento de las preferencias temporales se dispone de un buen nmero de conceptos y mtodos que han sido desarrollados, principalmente, dentro
de los campos de las matemticas financieras y de la ingeniera econmica. Dichos
mtodos permiten describir y estructurar las preferencias temporales, reduciendo
o simplificando las corrientes de valores en el tiempo, a un simple valor o figura
adecuada para la comparacin de alternativas.
on
t
6.5. CONCEPTOS BSICOS
un
a.
fo
ro
A continuacin presentamos algunos de los conceptos bsicos ms utilizados

para el tratamiento de las preferencias temporales del Decisor. Dicha presentacin
ser muy resumida y restringida a los conceptos y frmulas directamente aplicables al Anlisis de Decisiones. El estudiante deber ampliar estos conceptos en la
Bibliografa Recomendada.
yc
6.5.1. Inters
w
w
.a
dm
El trmino inters se usa generalmente para designar el monto que las

instituciones financieras cobran o pagan por el uso del dinero. Esta
remuneracin por el uso del dinero es lo que le otorga su valor temporal. Puesto que la casi totalidad de las decisiones relativas a proyectos implican una inversin, es importante que el valor temporal del
dinero utilizado se refleja en el anlisis de la decisin correspondiente.
6.5.2. Tasa de Inters

Usualmente la tasa de inters se especifica en una base anual y representa la ganancia porcentual sobre el dinero invertido.
(O
Cuando entendemos por inters la cantidad de dinero recibida como

resultado de una inversin, este representa una ganancia.
Cuando entendemos por inters la cantidad pagada por el uso del diero prestado, este representa un costo.
6.5.3. Valor Temporal del Dinero

Ya hemos mencionado el hecho de que una suma de dinero por recibir en el futuro, no luce tan atractiva como la misma suma de dinero
recibida hoy; la razn de esto es que el dinero puede reproducirse a
una tasa de inters, si se le invierte y, por lo tanto,nos beneficiamos
152
ms si percibimos la suma hoy y la invertimos a un cierto inters, que

si recibimos la misma suma en el futuro. Es esta relacin entre la tasa
de inters y el tiempo lo que conduce al concepto de Valor Temporal
del Dinero.
El Valor Temporal del Dinero significa que iguales cantidades de
dinero en diferentes puntos de tiempo tienen diferentes valores, siempre que la tasa de inters considerada sea mayor que cero.
Ejemplo; mil bolvares recibidos hoy valen mas que recibidos dentro
de 10 aos, puesto que si los recibimos hoy podemos invertirlos a
cierto inters y hacerlos producir durante 10 aos.
6.5.4. Diagrama de Flujo de Fondos
fo
ro
s.
c
om
El anlisis de alternativas requiere una comparacin de las consecuencias econmicas de las alternativas. A las alternativas frecuentemente
se les describe sealando los montos de los ingresos (ganancias) y de
los egresos (costos) relacionados con la alternativa en referencia y el
momento en que dichos montos ocurren. De manera que estos dos
factores: cantidad y tiempo, caracterizan la alternativa bajo estudio.
yc
on
t
un
a.
Como una ayuda para identificar las consecuencias econmicas de las

alternativas, se utiliza comnmente una descripcin grfica llamada
Diagrama de Flujo de Fondos, la cual incorpora los factores que hemos mencionado anteriormente: cantidades y tiempos, y por lo tanto
provee la informacin necesaria para analizar los aspectos econmicos de la alternativa bajo estudio.
Los ingresos percibidos con signo positivo, como flechas orientadas hacia arriba y colocadas al final del perodo en que
ocurren.
w
w
.a
dm
El diagrama de flujo de fondos representa:
Los egresos producidos, con signo negativo, como flechas orientadas hacia abajo y colocadas al comienzo del perodo en que
ocurren.
Un ejemplo de un diagrama de flujo de fondos se muestra en la grfica 6-7, as como la tabla correspondiente.
1
20
I ngresos
t2
I5
3
tiempo
^ 100
Egresos
'20
Diagrama de Flujo de Fondos

Figura 6-7
153
PERIODO
INGRESOS
EGRESOS
100
20
20
Tabla del Diagrama de Flujo de Fondos
s.
c
om
6.5.5. Equivalencia
fo
ro
Dos cosas se dice que son equivalentes cuando producen el mismo

efecto y por lo tanto uu Decisor es indiferente entre obtener una u
otra.
on
t
un
a.
Tres factores estn involucrados en la equivalencia de sumas de dinero:
Los montos (cantidad) de las sumas.
El tiempo en que ocurren las sumas.
dm
La tasa de inters.
w
w
.a
yc
El anlisis de alternativas requiere que las caractersticas de cada

alternativa (ingresos y egresos) deban reducirse a una base equivalente que facilite la comparacin de las alternativas. Por ejemplo: si a
usted le preguntan si acepta 100 dlares a 500 bolvares, antes de responder usted convierte las alternativas a una base comn y se replantea el problema en trminos de comparar 430 bolvares con 500 bolres; despus de realizar esta conversin, la decisin es fcil de tomar.
La reduccin de las caractersticas de las alternativas a una base equivalente puede lograrse mediante el uso de las fnnulas de inters y
del concepto de equivalencia de flujos de fondos, de lo cual nos ocuparemos a continuacin.
Las frmulas de inters que estudiaremos consideran los factores
monto, tiempo e inters, as que constituyen una manera conveniente de tomar en cuenta el valor temporal del dinero, para calcular la
equivalencia de cantidades de dinero que ocurren en diferentes puntos de tiempo.
154
6,5.6. Frmulas de Inters

6.5.6.1. Smbolos
Para las frmulas,de inters utilizaremos los siguientes smbolos:
i = tasa de inters, generalmente anual.
n ~ nmero de perodos de tiempo, generalmente en aos.
P = monto o cantidad en el momento presente, t = 0.
~Z F = monto o cantidad en el futuro, al final de n perodos de
tiempo y equivalente a P a la tasa i.
s.
c
om
A = monto o valor peridico de una serie uniforme durante

un lapso de n perodos de tiempo, siendo la serie completa equivalente a P a la tasa i.
fo
ro
6.5.6.2. Frmula para calcular el Valor Presente (P) dado un Valor

Futuro (F).
on
t
un
a.
Si una cantidad o monto (P) se invierte ahora a una tasa de

inters (i), cunto capital e inters se habr acumulado despus de n perodos?
w
w
.a
dm
yc
El diagrama de flujo de fondos para la situacin en cuestin

se muestra en la grfica 6-8.

Figura 6-8
155
Puesto que la inversin realizada (P) no prev ningn ingreso

o egreso hasta el ltimo perodo (n), el clculo del inters se
realiza como se muestra en la grfica 6-9.
Perodo
Cantidad al
comienzo
del perodo
P(l + i)
P (1 + i) i
P(l+i) + P(l+i)i =
= P(l + i)2
P(l + l) 2
P(l-M)2 i
P(l+i) 2 +P(l+i) 2 i =
- P (1 + i)3
Inters ganado durante

el perodo
Cantidad total al final del

perodo
P + Pi
P (1 + i)
n-l
n 1
P(l + i) i
P(l-H)
n 1
n 1
P ( l + i ) + P ( l + i) i =
= P (1 + i)" = F
fo
ro
s.
c
om
P i
Grfica 6-9
on
t
un
a.
En la tabla 6-9 se muestra que para obtener la cantidad total

al final del perodo se suman el inters percibido y el capital.
n
P permite calcular tanto F
F=
w
w
.a
dm
yc
El factor resultante; F = (1 + i)
dado P como P dado F o sea:
Con la segunda ecuacin podemos calcular el valor presente

(P) correspondiente a un valor futuro (F) despus de n perodos y a una tasa de inters i.
Ejemplo:
Cunto debe invertirse el lo. de julio de 1982 al 6% de inters anual a fin de disponer de Bs. 1.790 el lo, de julio de
1988?
Solucin:
F = 1790
i- 0.06
(1 + i)n
P=1790 X
(1 + 0.06)'
P= 1.266
Ntese que el problema anterior es equivalente a preguntar.
Cul es el valor presente el lo. de julio de 1982, de Bs. 1790
el lo, de julio de 1988 si la tasa de inters es del 6& anual?
6.5.6.3. Frmula para calcular el Valor Presente (P) dado un Valor
Peridico (A)
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Supongamos que un depsito de monto (P) es realizado ahora, a una tasa de inters (i), y que el inversionista desea retirar
el capital ms el inters percibido en una serie de montos peridicos iguales, cada uno al final de cada perodo. Cuando se
realice el ltimo retiro no debern quedar fondos en depsito.
El diagrama de flujo de fondos para esta situacin se muestra
en la grfica 6-10.

Grfica 6-10
Deseamos obtener una frmula que relacione P y A.

\o la frmula de P/F desarrollada en el punto anterior, podemos determinar el valor presente correspondiente
de cada uno de los montos peridicos A, y por lo tanto podemos escribir:
-"(i+ir1
d+i)
157
multiplicando la ecuacin anterior por (1 -f i) obtenemos:
II) (1+i) P-
(1 + i) "'
A
i n2
n-l
sustrayendo I-II), se obtiene:
P-(l+i) P =
-A +
simplificando
om
A-
s.
c
iP =
fo
ro
de donde
un
a.
P- A
dm
yc
on
t
El factor entre parntesis se utiliza para calcular el valor presente (P) correspondiente a una serie de montos iguales (A)
que ocurren durante un nmero n de perodos y a una tasa de
inters i.
w
w
.a
Ejemplo:
Cul es el valor presente de una serie de pagos anuales de Bs.
10.000 durante 7 aos a un inters del 6% anual?
P= A
10.000
i (l+i) n
(1+0.06)7 - l l
.06 (1+0.06)7
55.820
6.5.6.4. Convenciones para el uso de las frmulas de inters

Para facilitar el uso de las frmulas de inters es recomendable tener en cuenta las siguientes convenciones:
158
,_
El final de un perodo es igual al comienzo del prximo

perodo.
P ocurre al comienzo del perodo que se escoge como

presente,
F ocurre al final del perodo n contando a partir del peperodo escogido como presente.
A ocurre al final de cada perodo durante el lapso bajo

consideracin.
Cuando P y A estn involucrados el primer A de la serie

ocurre un perodo despus que P.
6.5.7. Equivalencia de Flujos de Fondos
fo
ro
s.
c
om
Para que un flujo de fondos sea equivalente a otro, los valores equivalentes de ambos deben ser iguales en cualquier punto del tiempo. De
no ser as, el Decisor que est considerando las alternativas, no podr
ser indiferente a alguno de ellos y no podr decirse que los flujos de
fondos sean equivalentes.
Ahora bien, cmo podemos determinar los valores equivalentes de los

flujos de fondos que deseamos saber si son equivalentes?
dm
yc
on
t
un
a.
Para el clculo de los valores equivalentes utilizaremos las frmulas de

inters ya desarrolladas. Las comparaciones las podemos establecer calculando, en base a las frmulas que ya conocemos, el valor presente de
cada flujo de fondos para un mismo punto del tiempo. Alternativamente podramos establecer si los flujos son equivalentes, calculando
las cargas anuales (A) correspondientes a cada flujo o el valor Futuro
(F) de cada flujo.
.a
Veamos un ejemplo.
w
w
Determinar si los siguientes dos flujos de fondos son equivalentes si la

tasa de inters es del 5%.
A
* 272.3
100
100
100
Grfica 6-11
159
Si los flujos son equivalentes un Decisor debe ser indiferente entre

recibir ahora Bs. 272.3 o recibir tres anualidades de Bs. 100 si la tasa
de inters es del 5%.
Los clculos pertinentes son:
Calculemos el valor presente del segundo flujo.
P-100X
(1+0.05)3 -ll
0.05 (1+0,05)2
= 272.3
Comparamos con el primer flujo y concluimos que son equivalentes.
om
El valor relativo de varios flujos de fondos no es generalmente fcil de

apreciar por simple inspeccin de los flujos de fondos, hasta que stos
no hayan sido reducidos a una base equivalente. Veamos otro ejemplo.
fo
ro
s.
c
Un ingeniero ha cedido a una compaa una patente sobre un invento

y se le ofrecen dos alternativas de pago:
Al) Bs. 100.000 a la firma del documento de cesin por concepto de

pago nico.
un
a.
A2) Bs. 25.000 anuales durante cinco aos.
dm
yc
on
t
Los flujos de fondos correspondientes a ambas alternativas son:
w
w
.a
100.000
25.000
Ji
J*.. ......... 1
Grfica 6-12
160
El ingeniero estima que 10% es una tasa de inters apropiada para el

anlisis.
Puesto que el dinero tiene un valor temporal, no es aparente de una
observacin de los flujos de fondos cul alternativa es econmicamente ms deseable. Por ejemplo, sera incorrecto decir que la alternativa
A2 es ms deseable que Al porque la suma de los ingresos de A2 es
Bs. 125.000 mientras que la de Al es Bs. 100.000. Vase grfica 6-13:
AI
100.000
25.000
25.000
25.000
fo
ro
om
A2
s.
c
AO
un
a.
25.000
on
t
125.000
.a
dm
yc
100.000
25.000
Grfica 6-13
w
w
Los valores equivalentes para estas alternativas se pueden encontrar

con la ayuda de las frmulas de inters. Una manera sera calcular el
valor presente del flujo de fondos de la alternativa A2.
., n
P2 = A
P2= 25.000
-1
(1+0.10)5 1
(0.10) (1+0.10)'
:= 94.770
Esta cifra de Bs. 94.770 s es directamente comparable con el valor
presente de Bs. 100.000 porque ambas representan cantidades de dinero en el mismo punto del tiempo. As, el decisor puede concluir, sobre
una base equivalente, que la suma de Bs. 100.000 en un solo pago es
preferible a 5 pagos anuales de Bs. 25.000 y por lo tanto se decidir
por la alternativa Al.
6.6 CRITERIOS O NDICES DE COMPARACIN DE ALTERNATIVAS

Hemos estudiado que el establecimiento de las preferencias temporales del
Decisor requiere la reduccin de los resultados de las alternativas a un simple
valor, figura, ndice, criterio de comparacin o medida de equivalencia que permita establecer las diferencias entre las alternativas para poder compararlas,
Un ndice de comparacin es un valor o base que contiene la informacin
acerca de los ingresos y egresos que representan una alternativa. La reduccin de
alternativas a un ndice o base comn es necesaria, de manera tal que las diferencias aparentes vengan a ser diferencias efectivas directamente comparables y que,
por lo tanto, puedan usarse como elemento de decisin.
Los ndices de comparacin de alternativas ms utilizadas son:
1) El Valor Presente
om
2) El Valor Futuro
fo
ro
4) La Ruta Interna de Retorno
s.
c
3) El Valor Equivalente Anual
a.
5) El Perodo de Recuperacin del Capital
un
6) El Valor Prospectivo
dm
yc
on
t
La metodologa del Anlisis de Decisiones utiliza fundamentalmente el ndice del Valor Presente, por lo cual consideramos slo este ndice de comparacin.
El estudiante interesado podr estudiar los otros ndices en la Bibliografa suministrada.
w
w
.a
Es importante aclarar que la utilizacin de los ndices de comparacin constituye slo una etapa ms dentro de la metodologa del Anlisis de Decisiones.
Antes de estudiar el ndice del Valor Presente es necesario aprender qu se
entiente por flujo neto de fondos.
6.6.1. Flujo Neto de Fondos
Ya hemos aprendido, cuando estudiamos Flujob de Fondos, que las
consecuencias monetarias de una alternativa pueden describirse en trminos de los ingresos y egresos que se produciran si la alternativa
fuese elegida y que la representacin de estos montos, y del tiempo en
que ocurren, se conoce como diagrama de flujo de fondos de la alternativa.
Cuando una alternativa en particular muestra ingresos y egresos ocurriendo simultneamente, se acostumbra trabajar con el flujo neto de
fondos, el cual resulta de la suma algebraica, por cada punto o momento del tiempo, de los ingresos y los egresos. Cuando el flujo neto es
positivo, representa un ingreso o beneficio o sea, que el ingreso supera
a los egresos; mientras que si el flujo de neto de fondos es negativo,
representa un egreso o costo, o sea que los egresos superan los ingresos.
162
Algebraicamente el flujo neto de fondos se representa por Xt donde

Xt debe entenderse como el beneficio neto que ocurre en el momento
t, si Xt > O representa un ingreso neto y si Xt < O representa un costo
neto.
La representacin grfica de un flujo neto de fondos tpico adopta la
forma que se indica en la figura 6-14.
Xn
X.
fo
ro
s.
c
om
,')'

Figura 6-14
un
a.
Ejemplo:
on
t
Una empresa est considerando la adquisicin de una nueva maquinaria la cual puede pagarse de la manera siguiente:
dm
yc
Cuota inicial: Bs. 20.000

Cuotas anuales: 2 de Bs. 5000 cada una.
w
w
.a
Se espera que la maquinaria producir un beneficio anual de Bs.15.000

y que al final del tercer ao de operacin podra venderse en Bs. 8.000.
Se desea establecer el diagrama de flujo neto de fondos.
Ao
Ingresos
Egresos
Flujo Neto
20.000
- 20.000
15.000
5.000
10.000
15.000
5.000
10.000
15.000
23.000
8.000
Figura 6-15
163
23.000
10.000
10.000
ji
fo
ro
s.
c
om
20.000
un
a.
Diagrama Flujo neto de Fondos

Figura 6-16
on
t
6.6.2. Clculo del ndice Valor Presente
dm
yc
El valor presente es un valor estimado para el momento (t = 0) tal que

es equivalente al flujo neto de fondos de una alternativa a una cierta
tasa de inters i.
w
w
.a
Supongamos el flujo neto de fondos de la figura 6-17.
x_
^0

Figura 6-17
164
As el valor presente (VP) del flujo neto de fondos X (t) a una tasa de
inters i y durante un lapso de n perodos puede estimarse, utilizando
la frmula de P dado F, como:
x,
\T'D
V
La cual podemos escribir tambin como;
fo
ro
s.
c
om
X(t) x
representa el flujo neto de fondos en funcin del tiempo.
on
t
X (t)
un
a.
Expresin que se utiliza para calcular el valor presente VP de cualquier

flujo neto de fondos y donde, como hemos dicho:
representa al tiempo
^ (Lu, (T-
representa al nmero de perodos
representa la tasa de inters
^
^
JU /e
.a
dm
yc
w
w
El estudiante deber tener claro que tanto el clculo del valor como su
utilizacin como ndice de comparacin, se basan en el concepto de
equivalencia.
6.6.3. Utilizacin del ndice Valor Presente
Conocido el flujo neto de fondos que representa la alternativa y dada
una tasa de inters, fue posible calcular una cantidad equivalente, el
valor presente, al flujo neto de fondos. As que siempre es posible estimar una cantidad equivalente en cualquier punto del tiempo que equivale en valor al flujo neto de fondos. Puesto que este valor presente
resume o representa el valor neto de los fondos, puede apropiadamente utilizrsele como ndice de comparacin.
Ejemplo:
Supongamos que una alternativa est descrita por el flujo neto de fondo que se indica y que deseamos calcular el valor presente equivalente
al flujo neto de fondos a una tasa de inters del 10% anual.
165
Aos
Montos
-1000
400
400
400
400
s.
c
om
Grfica 6-18
fo
ro
400
400
400
on
t
un
a.
400
dm
yc
w
w
.a
1000
Grfica 6-19
Clculo del valor presente:

VP-
X(t)
t=
VP=
-1000
X .. _- r + 400 X
+ 400 X
(14-0.1)
(1-fO.l)2
(l+O.l)1
400X
(l+O.l)3
+ 400 X
De lo anterior resulta, despus de efectuar operaciones:

VP= +. 268
166
Este valor de 268 es equivalente, en t = O, al flujo neto de fondos, de

manera que un Decisor debe ser indiferente entre recibir Bs. 268 ahora
o recibir el flujo neto de fondos ya indicado.
El ndice valor presente muestra una serie de caractersticas que lo
hacen especialmente apropiado como ndice de comparacin:
1) El valor presente considera el valor temporal del dinero de acuerdo
a la tasa de inters escogida para el clculo.
2) El mtodo del valor presente concentra el valor equivalente de
cualquier flujo de fondos en un solo ndice, en un particular punto
del tiempo.
fo
ro
6.6.4. Criterio para la utilizacin del ndice Valor Presente
s.
c
om
3) El valor del ndice valor presente es siempre nico para cada flujo
neto de fondos, o sea, que una secuencia de ingresos y egresos originar un valor presente nico para un determinado valor de tasa
de inters y para un particular punto del tiempo.
un
a.
En la figura 6-20 se muesrra la variacin del ndice valor presente, para

el flujo neto de fondos dei problema del punto 6-6-3, representado en
funcin de la tasa de inters.
w
w
.a
dm
yc
on
t
VP
Grfica 6-20
El examen de la grfica VP ~ f(i) provee informacin muy til. El rango de tasa de inters (i) para el cual el valor presente (VP) es positivo
corresponde a ingresos mayores que egresos y por lo tanto la alternativa es deseable, mientras que cuando (VP) es negativo corresponde a
ingresos menores que egresos (prdidas) y la alternativa no es deseable.
Por lo tanto, el valor presente provee un criterio o medida directa y
muy visible y de fcil interpretacin acerca de la deseabilidad de una
alternativa o resultado.
A mayor valor presente, mejor y ms atractiva es la alternativa
167
El nico punto pendiente a discusin acerca del valor presente, es cul

debe ser la tasa de inters a utilizar en el clculo. Existen discrepancias
de opinin acerca de qu tasa de inters usar y de las implicaciones
de la tasa utilizada. El problema de la seleccin de una tasa de inters
apropiada escapa al alcance de este Curso, por lo cual no se ahondar
ms en este punto, bastando sealar que la consideracin fundamental
para la seleccin de la tasa de inters adecuada es la relacin de la
organizacin con su medio financiero.
6.7. RESUMEN
En esta Unidad nos hemos dedicado al estudio de las Preferencias al Valor y
a las Preferencias Temporales del Decisor.
s.
c
om
Mediante el estudio de los Criterios de Valoracin hemos aprendido a valorar

los resultados, los que nos permite considerar las Preferencias al Valor del Decisor,
w
w
.a
dm
yc
on
t
un
a.
fo
ro
Mediante el estudio y aplicacin del Criterio del Valor Presente hemos aprendido a establecer las Preferencias Temporales del Decisor.
168
AUTOE VALUACIN
Instrucciones
Para cada uno de los problemas suministrados, responda la (s) pregunta (s)
:orrespondiente (s).
om
1) Un fabricante debe decidir si manufactura un nuevo producto. La decisin

de fabricar el producto involucra una inversin de 0.5 millones de bolvares,
siendo la demanda bastante incierta. Si la demanda fuese alta, la compaa
esperara un ingreso bruto de alrededor de 2 millones; si fuese moderada, el
retorno bruto sera de alrededor de 1.6 millones, mientras que una demanda
baja producira un retorno de alrededor 0.8 millones. Se ha estimado que la
probabilidad de una demanda alta es 0.1 y la de una demanda baja es de 0.5.
s.
c
Se pide:
Estructurar el problema en forma de rbol de decisin.
B)
Establecer el Criterio de Valoracin y asignar valores a los resultados.
C)
Determinar la estrategia ptima.
a.
fo
ro
A)
8
10
.a
w
Probabilidad de que el costo sea X
w
w
Costo (X)
en millones
dm
yc
on
t
un
2) Una compaa constructora debe decidir si aceptar un contrato para la

construccin de un tnel por el cual percibir un pago de 12.5 millones de
bolvares. Debido a que la estructura geolgica de la montaa que ser atravesada por el tnel es desconocida, el costo de construccin es una variable
aleatoria descrita como se indica en la tabla.
0.2
0.4
12
0.3
14
0.1
Se pide:
A)
B)
Asignar valores a los resultados.
C)
Determinar la mejor alternativa.
3) Una empresa ha experimentado tres respuestas bsicas, medidas en trminos

de aceptacin del producto, a sus pasadas campaas de publicidad. En el presente, la firma est considerando dos posibles campaas, I y II. Debido a que
cada campaa tiene un nfasis diferente, se espera que el porcentaje de publiDigitalizado por Liz Zambrano para www.admycontuna.mforos.com
169
co que responsa de una manera particular variar de acuerdo al programa que

se escoja. En la tabla anexa se muestran los flujos de fondos que se espera se
produciran para cada campaa y para cada tipo de respuesta del pblico. En
cada caso se asume un 100% de respuesta del pblico.
Campaa I
Porcentaje
Pblico
Ao
60%
-500
20%
-500
200
100
200
200
300
200
200
200
300
Campaa II
dm
yc
on
t
un
a.
-500
s.
c
20%
fo
ro
om
Tipo
Respuesta
Porcentaje
Pblico
w
w
.a
Tipo
Respuesta
Ao
30%
-600
300
200
200
40%
-600
200
300
300
30%
-600
300
300
300
Se pide:
170
A)
Estructurar el rbol de decisin correspondiente.
B)
Asignar valores a los resultados y determinar para una tasa de inters del
10% , qu campaa de publicidad deber adoptarse, por medio del clculo del Valor Presente.
4) Una compaa debe decidir entre mejorar un producto existente o fabricar

uno nuevo. Se dispone de la siguiente informacin para ayudar al anlisis de
la decisin.
Fabricar
Producto
Costo Inicial
15.000
30.000
Beneficio Anual Neto
12.000
25.000
0.4
0.6
0.6
0.4
s.
c
10%
a.
Tasa de inters
fo
ro
Probabilidad de
duracin en aos
de las ventas
om
Mejorar
Producto
un
Se pide:
B)
Determinar cul es la mejor estrategia a seguir, asignando valores y utilizando el mtodo del Valor Presente.
w
w
.a
dm
yc
on
t
A)
171
SOLUCIN DE LA AUTOEVALUAC1ON
Seccin
Referencia
Objetivo
Evaluado
Problema
12
6-3
12
6-3
13
6-6
13
6-6
om
Clave Razonada
s.
c
Problema 1
fo
ro
A) Estructurando el problema en forma de rbol de decisin se tiene:

B) Clculo del
Valor
Valor
B=f 2-0.5)
1.5
B= (1.6 -0.5)
1.1
B=(.8~0.5)
0.3
dm
yc
on
t
un
a.
A) RBOL DE DECISIN
w
w
.a
B= (0-0)
B) Por tratarse de un problema de tipo empresarial es lgico utilizar como criterio de valoracin el beneficio econmico neto definindolo como
donde
B = beneficio neto
I = ingresos o ganancias
C= costos
Utilizando esta frmula se calculan los valores para cada resultado, los cuales
se indican en la tabla.
173
C) Para determinar cul es la mejor alternativa calculamos el valor esperado del

beneficio neto.
E
[I] = 0.1(1.5) + 0.4(1.1) +0.5(0.3)

= 0.74
[II]- O
Puesto que
E [ I ] > E [ II ]
Por lo tanto
Seleccionar alternativa I: Fabricar
Problema 2
fo
ro
s.
c
om
A) Estructurando el problema en forma de rbol de decisin tenemos:
B) CALCULO DEL
VALOR
VALOR
un
a.
A) RBOL DE DECISIN
(12.5
4.5
(12.5-10)
2.5
(12.5-12)
0.5
(12.5-14)
-1.5
w
w
.a
dm
yc
on
t
0,2
0-0 )
Siendo I, la alternativa aceptar contrato para construir tnel,

, la alternativa no aceptar contrato.
Como criterio de valoracin utilizaremos el beneficio neto, calculado como
ingresos menos costos. B = I C.
En la tabla se indican los clculos realizados para calcular el valor de cada
resultado.
174
C) Para determinar la mejor estrategia, calculamos el valor esperado para cada

alternativa.
E ( I ) - 0.2 (4.5) 4- 0.4 (2.5) + 0.3 (0.5) + 0.1 (-1.5)
E ( I ) = 1.9
E ( I )= 1(0) = O
Puesto que
E (I) > E ( I )
La decisin ptima es aceptar el contrato para construir el tnel.
Problema 3
fo
ro
s.
c
om
A) Estructuracin del problema (rbol de decisin)
VALOR
1.3
72
w
w
.a
dm
yc
on
t
un
a.
RBOL DE DECISIN
-3
-12
55
146
B) Para valorar cada nodo terminal debemos calcular el Valor Presente del Flujo
de Fondos correspondiente a cada resultado. Los valores que se obtengan se
asignarn a cada nodo terminal.
175
Aplicaremos la frmula para calcular el Valor Presente:
X(t)
t=o
con n = 3
i = 10%
Para la alternativa I:
VP<IA) = -500
VP (IA) =
200
100
(l+O.l)2
(1+0.1)
300
+ 13
om
Similarmente se obtiene:
s.
c
VP (IB) = 72
Para la alternativa II:
200
fo
ro
VP (IC) = -3
200
+55
on
t
VP(IIB)=
un
a.
30
yc
VP (IIC) = + 146
.a
dm
Para determinar cul alternativa es la mejor, calculamos el valor esperado

para cada una
.2 (13) + 0.6 (72) + 0.2 (-3)
w
w
E [ I ]=
E [ I ]=
45.2
E [ U ]=
0.3 (-12) + 0.4 (55) + 0.3 (146)
E [ II ]=
62.2
Puesto que
E [ II ] >
E [I]
Debe seleccionarse la alternativa II, o sea la campaa .
176
Problema 4
A) Estructuracin del problema (rbol de Decisin).
RBOL DE DECISIN
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Alternativa M
Alternativa N
w
w
-.izaremos:
mejorar el producto existente

fabricar nuevo producto
7 ;r.5dera>'emos:
Itdo Natural 1:
Espado Natural 2:
Producto tiene vida econmica til de 1 ao.

Producto tiene vida econmica til de 2 aos
Mtodo del Valor Presente

?T= valorar cada nodo terminal calcularemos el valor presente correspondente a cada resultado, a una tasa de inters del
: i.*i .a alternativa M:
VP<M1) =
-15000
VF(M1)=
-4091
12.000
(l+O.l) 1
177
Similarmente
VP (M2) -
5826
Para la alternativa N
VP (NI) =
-30.000 +
25.000
( i + o.i)i
VP (NI) - -7273
Similarmente
VP (N2) -
25000
25000
om
-30000 -i13388
.-, -4091
on
t
un
a.
fo
ro
s.
c
Los valores anteriormente calculados se asignan a los nodos terminales del

rbol de decisin.
.0
5826
w
w
.a
dm
yc
-7273
13388
Calculemos ahora los valores esperados para determinar la mejor alternativa:

E [M] = 0.4 (-4091) + 0.6 (5826)
E [M]- 1860
E [ N ] = 0.6
(-7273) +0.4(13388)
E [ N ] = 991
Puesto que
E [M] > E [N]
Debe seleccionarse la alternativa M o sea mejorar el producto existente.

UNIDAD
LA ACTITUD DEL DECISOR

ANTE EL RIESGO
Al finalizar el estudio de esta Unidad usted deher estar en capacidad de:
om
14) Establecer, grfica y analticamente, la funcin de utilidad del Decisor y determinar la consistencia del mismo, a travs de la utilizacin de los axiomas
de la Teora de la Utilidad.
on
t
un
a.
fo
ro
s.
c
15) Establecer la estrategia ptima tomando en consideracin las preferencias del

Decisor y su actitud ante el riesgo.
yc
.a
Lotera
Valor monetario de la Lotera
Equivalente cierto de una Lotera
Axiomas de la Teora de la Utilidad
w
w
7.2.1.
7.2.2.
7.2.3.
7.2.4.
~,2. Teora de la Utilidad . . .
dm
Ll. Introduccin
Pag.
180
180
181
182
183
184
U. Funcin de Utilidad: Determinacin
190
~.4. Determinacin de la Actitud del Decisor ante el Riesgo
197
U. Utilizacin de la funcin Utilidad en el proceso de Decisin
198
A .;: Devaluacin
205
:: !ucin de la Autoevaluacin
211
179
7.1. INTRODUCCIN
Cuando un Decisor se enfrenta ante una serie de alternativas, la seleccin de
la estrategia a seguir constituye un problema, ya sea porque hay incertidumbre
sobre la ocurrencia de los estados de la naturaleza, o porque no se tiene certeza
de las consecuencias que involucrara un determinado curso de accin. En general,
el Decisor procurar elegir aquella alternativa que le garantice el mximo provecho
o mxima utilidad como la llamaremos de ahora en adelante.
fo
ro
s.
c
om
Por ejemplo, si a usted le dieran a elegir entre un juego de domin donde al

ganador le pagarn Bs. 1000 o el juego de lanzar una moneda al aire donde el que
saque cara ganar Bs. 100. Cul sera el juego en el que usted estar dispuesto a
participar? o qu decisin tomara un inversionista que dispone de un capital,
entre participar en un negocio de importacin con un posible rendimiento del
40 %,o invertir en cdulas hipotecarias con un rendimiento del 18 %? En general
no es cierto que los beneficios monetarios caractericen plenamente todas las consecuencias de las situaciones de decisin que pueden ser importantes para el Decisor. Los resultados obtenidos a! escoger un curso de accin particular, dependern de factores como el prestigio personal del Decisor, el tamao de la organizacin, la actitud ante el riesgo, etc.
un
a.
Cuantificar las preferencias de un Decisor es una necesidad, a fin de establecer un mecanismo que permita determinar la alternativa ms favorable, de acuerdo
con su evaluacin subjetiva frente a un conjunto de factores. Con este propsito
se utiliza la Teora de la Utilidad.
yc
on
t
Los valores de utilidad reflejan los elementos subjetivos que interesan al

Decisor.
w
w
.a
dm
En esta Unidad se desarrollan las funciones de utilidad de aquellos que toman decisiones racionalmente y se describen sus diferentes actitudes ante el
riesgo. Veremos que una funcin de utilidad no pretende representar el valor del
dinero como tal, sino que refleja una integracin de diversos elementos que tienen
que ser tomados en cuenta, tales como: los beneficios o las prdidas potenciales^
el patrimonio financiero inicial de! Decisor, sus perspectivas a corto plazo, los
posibles cambios de la actitud ante el riesgo, etc.
7,2. TEORA DE LA UTILIDAD
La teora de la utilidad nos provee de una serie de elementos o mecanismos
para establecer una cuantificacin de las preferencias del Decisor. El resultado de
este proceso ser una funcin utilidad, la cual tomar en cuenta las preferencias
del Decisor, tanto monetarias como no monetarias, en un determinado momento
y con un estado de conocimiento.
La funcin utilidad, a la cual simbolizaremos por U (.), es una medida subjetiva de la trascendencia que para el Decisor representa la incetidumbre sobre las
consecuencias, tanto cualitativa como cuantitativamente. El valor de utilidad
U (X) indicar el "beneficio" o "utilidad" que para l representa disponer de X
unidades del bien o atributo considerado. Pero, cmo constuiremos la funcin
utilidad para cada uno de los diferentes decisores?
Para establecer la funcin de utilidad es necesario introducir una serie de
nuevos conceptos, los cuales describiremos a continuacin.
180
7.2.1. Lotera
Si nos encontramos observando un resorte, una forma de evaluar los efectos
que sobre el material causan las variaciones de temperatura es midiendo la longitud del resorte para diferentes valores de temperatura y, con estas mediciones,
trazar una curva de elongacin versus temperatura. Para medir las variaciones utilizamos una cinta mtrica. De forma anloga, para establecer la funcin de utilidad se utiliza una lotera.
Lotera, la cual representaremos por (L), es un trmino tcnico que define
una seleccin de premios o consecuencias, a los que designaremos por (X17 X 2 ,,. .
X ), de los cuales solamente uno se obtendr, y que tiene asociados a cada uno de
ellos una probabilidad P de obtener el premio, tal que 2 P. = 1
[(X^P^CX^MX^PJJ
= L ( X , , P i ) 1-1....n
s.
c
om
Simblicamente representaremos las loteras por:
fo
ro
donde
X.: premio i
a.
P, : probabilidad de obtener el premio i
un
Grficamente representaremos una Lotera L de premios
.a
w
w
LX,,?,)
dm
yc
on
t
(X 1( ...X n )por:
donde
^
equivalente a
Ilustremos este concepto a travs de unos ejemplos.

Supongamos que usted compra por Bs. 10 el boleto de una rifa de 200 nmeros y el premio para el boleto favorecido es Bs. 10.000, la lotera se representara
entonces por:
dO.OOO,
(~10,-|-)
10.000
-10
181
Suponga ahora que a usted le proponen el juego de lanzar una moneda al

aire, si sale cara usted gana Bs. 50, si sale sello pierde Bs. 10, esta Lotera estara
representada por:
50
i/2
-10
7.2.2. Valor monetario esperado de la Lotera
Para cada una de las loteras L planteadas a un Decisor es posible Determinar
el valor esperado de la Lotera, al cual representaremos por E (L) = X, definido
como:
s.
c
om
X = E (X)= X. P.
v '
1=1
l >
fo
ro
donde
Valor asociado al premio i, medido en unidades del bien o atributo.
probabilidad de obtener Xi
un
a.
X- :
on
t
Calculemos X en cada uno de los ejemplos anteriores.
yc
Xx = E (L1 ) = Ganancia X p (ganar) 4- prdida X p (perder)
w
w
.a
dm
X1=E(L1)10.000x--10x
Como se observa
= 50
2
200
--
20
m ^ 20
2
X2 < Xj
Planteemos ahora el siguiente problema de decisin cul Lotera preferira,

Para contestar esta pregunta estructuremos el rbol de decisin
1/200
10-000
199/200
-10
50
10
182
Suponga ahora que a usted le proponen el juego de lanzar una moneda al

aire, si sale cara usted gana Bs. 50, si sale sello pierde Bs. 10, esta Lotera estara
representada por:
50
1/2
-10
7.2.2. Valor monetario esperado de la Lotera

Para cada una de las loteras L. planteadas a un Decisor es posible determinar
el valor esperado de la Lotera, al cual representaremos por E (L) = X, definido
como:
X = E (X) = i
v '
=
s.
c
om
X. P.
l '
fo
ro
donde
Valor asociado al premio i, medido en unidades del bien o atributo.
probabilidad de obtener Xi
un
a.
X-:
on
t
Calculemos X en cada uno de los ejemplos anteriores.
yc
X1 = E (L 1 ) = Ganancia X p (ganar) + prdida X p (perder)
SOL
w
w
X2
.a
dm
^-E^)-10.000X^-10X1--
Como se observa
w. _ ly. - 20
2
X2 < X!
Planteemos ahora el siguiente problema de decisin cul Lotera preferira,

LXL2?
Para contestar esta pregunta estructuremos el rbol de decisin
10.000
182
Si el Decisor slo toma en cuenta el valor monetario esperado y utiliza el procedimiento indicado anteriormente el rbol se reducir:
s.
c
om
y la decisin deber ser elegir Ll, es decir, participar en la rifa, sin embargo, la
probabilidad de salir favorecido con el juego de la moneda es mayor. Habr personas que preferirn participar en L 2 .
fo
ro
Esto nos indica que el valor esperado de una Lotera no es necesariamente la

mejor medida de las preferencias de un Decisor.
a.
Para valorar esas preferencias es necesario introducir el prximo concepto.
un
7.2.3. Equivalente cierto de una Lotera
dm
yc
on
t
/*
El equivalente cierto de una Lotera L (X., P.), al cual designamos por X, es
la cantidad X para la cual el Decisor es indiferente entre participar en la Lotera
L (Xp P) y recibir X con certeza, es decir,
w
w
.a
^ x,
siendo
'v ; smbolo que indica indiferencia.
Tomemos un ejemplo para interpretar mejor este concepto; supongamos que
usted posee un boleto para la rifa de un pasaje ida y vuelta a Pars que tiene un
total de 100 nmeros. Si le pidieran su opcin a la rifa cul sera el precio por el
cual usted estara dispuesto a vender su boleto? Digamos que usted dice Bs. 100,
esto significa que usted es indiferente entre tener la opcin a la rifa o disponer de
Bs. 100 seguros.
1/100
Ir a Pars
Grficamente,
100
99/100
Quedarse en casa
183
el equivalente cierto = X = Bs. 100

Cuando X son cantidades monetarias, entonces el equivalente cierto de una
Lotera se refiere al equivalente monetario. Esta definicin de equivalente cierto
nos permite obtener los valores de utilidad frente a diferentes loteras de una manera consistente y de esta forma establecer una metodologa o procedimiento para
la codificacin de las preferencias del Decisor a travs de su curva de utilidad.
A travs de la funcin de utilidad debe reflejarse el comportamiento consistente del Decisor, para lo cual es necesario que se cumplan una serie de axiomas,
que constituyen la base de la teora de la utilidad.
Estos axiomas se enumeran a continuacin.
7.2.4. Axiomas de la Teora de la Utilidad
om
7.2.4.1 Axioma 1. Ordenabilidad
X,
Xi
un
a.
>
fo
ro
s.
c
Este axioma se refiere a que un Decisor debe poder clasificar una serie de premios dados X1,. . . . , Xj,. . . . X , de acuerdo a sus preferencias. Digamos que las preferencias del Decisor se pueden resumir
en
yc
on
t
Tomemos un ejemplo para ilustrar este axioma. Supongamos las siguientes consecuencias o premios:
dm
X1 = Ir a Pars
.a
X2 - Ir a Los Roques
w
w
En este ejemplo hay slo tres posibles situaciones.

Si usted prefiere ir a Pars que a Los Roques entonces
*i >
X2
Si por el contrario prefiere Los Roques a ir a Pars entonces

X2
> Xx
y si es indiferente entre ir a Los Roques o a Pars
La ordenabilidad obliga a la transitividad, es decir, si un Decisor prefiere X. a X. + l (X. > X. +1) y a su vez X + j a X. + 2 (X. + 3 >
Xj + 2 ) entonces X > Xj + 2
184
Tomando el ejemplo anterior

Si Ir a Pars > Ir a Los Roques
e Ir a Los Roques > Ir a Margarita
entonces Ir a Pars > Ir a Margarita
om
En general, una persona consistente tiende a mantener el principio de

transitividad cuando evala la naturaleza de las consecuencias en su
totalidad y no un aspecto parcial o particular de cada una de ellas;
por ejemplo, ir de viaje a Pars le atrae por el valor histrico de la ciudad y sus espectculos. Por el contrario, Los Roques le atraen por la
belleza de sus playas y su tranquilidad, pero el Decisor tiene que evaluar desde todo punto de vista cul le gustara realmente ms y establecer una jerarquizacin de preferencias.
s.
c
En este proceso de codificacin de preferencias, podra darse el caso

de incurrir en inconsistencias.
V
A 2-
V
Al
fo
ro
Desarrollemos un ejemplo. Supongamos que a nuestro Decisor le es

indiferente entre ir a Pars (Xj) o a Los Roques (X2), es decir,
yc
x, -v x3
on
t
un
a.
Supongamos que nos dicen que el premio de ir a Los Roques incluye

disponer de una lancha para sus exploraciones por la isla (premio
X 3 ), aun as usted dice que es indiferente entre X2 ^ X3, por lo tanto, aplicando el principio de transitividad:
.a
dm
Supngase que adems de ir a Pars el premio incluye una gira adicional (X 4 ) y usted dice que X3 ^ X 4 , siguiendo este procedimiento
donde Xj 'v X 4- A X podramos llegar a situaciones donde
w
w
Los Roques 4 Islas cercanas ^ Pars 4- gira alrededor

Aplicando el axioma de ordenabilidad se establecera que:
Ir a Los Roques ^ Ir a Pars 4- giras alrededores
Lo cual luce bastante inconsistente, lo que esto quiere decir es que
esta serie de indiferencias entre consecuencias tendr un punto de
quiebre y es necesario revisar la consistencia de esta cadena de indiferencias. No sucede as con el comportamiento de estricta preferencia.
Todas estas preferencias dependen del momento en que se estn evaluando las consecuencias, ya que el momento o el conocimiento adicional adquirido puede variar la preferencia.
Un ejemplo tpico de esto es cuando usted va a adquirir un vehculo
y su seleccin est entre A y B. En este momento usted prefiere indiscutiblemente B, sin embargo, un amigo suyo que tiene un taller
mecnico, le dice que los carros B han tenido grandes problemas en el
motor Seguir usted entonces prefiriendo B? Lo ms probable es
que no.
185
Muchas veces la transitividad de las preferencias pareciera no satisfacerse y esto se debe a que el Decisor involucrado en el proceso ha asimilado nuevas experiencias a su comportamiento que pueden hacer
variar sus preferencias, es decir, se ha realizado un proceso de cambio
en el estado de informacin. En este caso la transitividad no ha sido
violada sino que se ha producido un cambio en el estado de informacin del Decisor, lo que ha ocasionado una alteracin en el orden de
sus preferencias.
Para la aplicacin de estos axiomas a un mismo Decisor, necesariamente debe considerarse el mismo marco de referencia y estado de
informacin.
7.2.4.2. Axioma 2. Continuidad
Figura 7-1
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Supongamos que tenemos un conjunto de tres consecuencias: X 1 (

X 2 , X 3 . El Decisor puede ordenar estas consecuencias sin tomar
en cuenta las probabilidades de obtenerlas, digamos que el orden es
Xj > X2 > X 3 . El axioma de continuidad establece que es posible construir una Lotera L de premios o consecuencias X! y X 3 ,
L [ (X 1} P); (X 3 , 1P) ] con probabilidad P, tal que el Decisor sea
indiferente entre recibir X 2 con certeza o participar en la Lotera L,
es decir,
w
w
de esta forma, observamos que X2 coincidir con el equivalente cierto de L.

(La figura 7-1 es equivalente al rbo! de decisin.)
-x,
Este axioma es de vital importancia ya que nos permite determinar la

funcin de utilidad, para el proceso de toma de decisiones.
186
Pongamos un ejemplo. Supongamos una Lotera que tiene los premios:

Xj -Bs. 1000
X 2 = Un pasaje a Margarita
X3 = Boleto para el cine
y supongamos
X1 > X 2 > X 3
om
Entonces debemos establecer el valor P que hace que el Decisor sea

indiferente entre recibir X 2 con certeza y participar en una Lotera L
de premios (X-p X 3 ), es decir,
1000
fo
ro
s.
c
x.
Boleto cine
un
a.
Supongamos P =, esto quiere decir que usted ser indiferente entre

o
recibir un pasaje a,Margarita y participar en una Lotera,
(1000,-|); (Boleto cine,
{
yc
'
on
t
dm
7.2.4.3. Axioma 3, Substitutabilidad
.a
A un Decisor le es indiferente entre recibir el equivalente cierto de

una Lotera L o participar en la lotera.
w
w
Si un decisor es indiferente ante dos loteras L y L 2 , stas son intercambiables sin que se afecten las preferencias del Decisor. Por ejemplo, supongamos las siguientes loteras.
Si el Decisor es indiferente ante esas dos loteras, entonces L^ ^ L 2

187
7.2.4.4. Axioma 4. Monotonicidad

Supongamos que enfrentamos a un Decisor con dos loteras L X ) L 2 ,
las cuales tienen los mismo premios X1?. . . . X 2 . Supongamos que
las preferencias del Decisor son:
X1>x2>....>xn
entonces, l deber preferir aquella Lotera que le proporcionar la
mr,yo' probabilidad de cbtanau el premio "ms deseado" (XA
Utilicemos la nomenclatura tradicional para representar ste axioSeaL
Si X, > X2 > . . , . > Xa
fo
ro
s.
c
om
tal que
w
w
.a
dm
yc
on
t
un
a.
y ?1 > P , entonces L 1 > L
p'
r
Este axioma de monotonicidad es una de las caractersticas ms importantes de las funciones de utilidad, ya que permite establecer la
estrategia que maximizar la utilidad del Decisor. La maximizacin
de la utilidad depender del parmetro de ponderacin utilizado.
Si por ejemplo se toma si valor monetario como aquel que sirve para
ponderar las diferentes consecuencias o premios, preferirn el mayor
U(X)
188
Ahora bien, pueden existir una serie de consecuencias cuyo atributo

o parmetro de ponderacin no necesariamente sea el valor monetario de un bien; digamos que el parmetro ser el tiempo de ejecucin
de una obra; es evidente que un constructor preferir el menor tiempo
Supongamos t1 > t 2 ; donde t x representa unidades de tiempo
en este caso U ( t 2 ) > U ( t 1 )
7.2.4.5. Axioma 5. Descomponibiiidad
Las loteras presentadas ante el Decisor no necesariamente son sencillas, sino que podran ser unas cuyos premios fueran otras loteras.
A este tipo de Lotera se le conoce con el nombre de compuesta
a.
Ilustremos esto a travs de un ejemplo.
fo
ro
s.
c
om
El axioma de descomponibilidad establece que una Lotera Compuesta puede ser reducida a una Lotera sencilla que tenga por premios
todos los incluidos en la Lotera Compuesta y cada uno de los premios (concecuencia) tenga asociado un valor de probabilidad determinado a travs de la utilizacin de la Teora de las Probabilidades.
w
w
.a
dm
i-p
yc
on
t
un
Supongamos las loteras Lp L 2 tal como se indican a continuacin:
La Lotera L1 puede ser transformada en:
pp
Todos estos axiomas nos permiten establecer una metodologa consistente para la determinacin de la funcin utilidad, lo cual analizaremos en la prxima seccin.
189
7.3. FUNCIN DE UTILIDAD; DETERMINACIN

La funcin de utilidad nos permitir asignar a cada consecuencia o premio
(X) un valor de utilidad U (X), siempre y cuando el Decisor, a quien se le estn
codificando las preferencias, satisfaga los axiomas de la Teora de la Utilidad.
Una caracterstica importante de la funcin de utilidad U (.), que se deriva
de los axiomas de la Teora de la Utilidad, es que las preferencias del Decisor no
ss afectan si se realiza una transformacin lineal sobre la misma, es decir, que si
U (X) es una funcin de utilidad; entonces
U'(X)= P + m U(X)
m>0
tambin ser una funcin de utilidad que codificar las preferencias del Decisor,
ec decir,
om
U (X) 'v U'(X )
dm
yc
on
t
un
a.
fo
ro
s.
c
Esto indica que la utilidad es un valor relativo y no absoluto, pudiendo de esta

forma atribuir un valor arbitrario a dos consecuencias y luego asignar valores
relativos a las otras consecuencias respecto a los valores indicados, es decir, se
procede a una normalizacin de la curva de utilidad en funcin a dos consecuencias arbitrarias. A fin de establecer una metodologa, y con el propsito de
facilitar el anlisis, supongamos un grupo de premios X 15 X 2 . . . X n , tales que
X1 > X ? >....> Xn, donde X1 es el de mayor preferencia y Xn es el de menor
preferencia, llamemos a X1 = Xm x y Xn = Xm n Entonces asignemos ios valores de utilidad tal que
w
w
.a
Esta asignacin establece una escala o rango de variacin de la utilidad, la cual nos
parmte tenei* otros plintos de la curva de utilidad a fin de codificar las preferencias del Decisor ante un conjunto de consecuencias o premios (X, > ..... , X )
Cmo procedemos a determinar los puntos restantes de la curva de utilidad?, es
decir, para un premio X x < X; < X n ? V i. Qu valor de utilidad le asignaremos?
Para determinar U (X) 5 el Decisor debe determinar el valor X de los resultados o
eonsecu^cias posibles que hara que fuese Indiferente (para el Decisor) entre
poseer X con certeza o participar en la Lotera L (X mx , 1/2); (X m f n , 1/2)
con premio (X^,,. , ~ ; ^ rnn ), es decir.
I/
X
rain.
Reconozcamos aqu que e valor de X corresponde al equivalente cierto de

la Lotera L. Este valor de X nos determinara otro punto de la curva de utilidad.
Hasta ahora tenemos tres puntos de la curva
Premio
Utilidad
Xmx.
0.5
X mn.
fo
ro
s.
c
om
Para determinar otros puntos de la funcin de utilidad, se le pregunta al Decisor qu valor X' hara que fuese indiferente para el poseer X' con certeza o participar en una Lotera (L) equiprobable de premios (X, Xmn ), es decir,
un
a.
X'-VL
Analticamente
w
w
.a
dm
yc
on
t
1/2
U(X') = X0.5 + X 0 =
2
2
4
U(X')=4Utilizando este procedimiento se determinaran los puntos de la curva de utilidad.

La curva de utilidad puede establecerse tambin realizando otro tipo de pregunta al Decisor, estableciendo la misma asignacin de valores,
U ( X min.
191
Y para determinar puntos adicionales en la curva se establece con qu probabilidad (P) se podra recibir el premio Xmx de una lotera L [ (X ,
P);
(X mfn 1P) ] tal que fuese indiferente para el Decisor participar en la Lotera
L u obtener con seguridad la cantidad X, es decir,
mx.
1-P
Analticamente,
U(X) = P
U(X m J + (l-P) U ( X m n ) = P
Premio (.)
Utilidad (o)
a.
A.
fo
ro
s.
c
Xmx
om
En este caso el cuadro de valores para granear la curva sera:
on
t
un
La derivacin de la curva de utilidad utiliza ambos procedimientos con el

propsito de establecer la consistencia del Decisor en la derivacin de la funcin.
yc
Utilicemos un ejemplo para analizar esta metodologa. Supongamos que

estamos ante una Lotera con premios antre Bs. 1000 y Bs. O, en este caso,
dm
U(X m n .) = 0
w
w
X m n.
U(Xmx.)=l
100
.a
Para determinar los puntos restantes de la curva preguntemos al Decisor, qu valor

de X le resultara indiferente entre participar en la Lotera L [ (1000, 1/2);
(O, 1/2) ] y recibir X con certeza. Supongamos que X = Bs. 350, por lo tanto
1000
1/2
1 350
i/2
U(350)=-U
v
2
- U ( 0 ) = 0.5
2
U (350)- 0.5
Ntese que 350 sera el equivalente cierto de la Lotera L.
Determinemos otro punto; para qu valor X le sera indiferente participar

en la Lotera L [ (350, 1/2); (O, 1/2) ] con certeza?
Supongamos que nuestro Decisor responde
X = 150, es decir,
1/2
1 150
om
1/2
fo
ro
s.
c
U (150) - U (350) + U (0) = O,,25

2>
"""
2
U (150)-0,25
on
t
un
a.
Para otro punto y efectuando la misma pregunta supongamos que el Decisor

TS indiferente entre
w
w
.a
1 250 -v L
dm
yc
350
1/2
150
U (250) -
Con estos valores podramos entonces trazar la curva de utilidad tal como se
:a en la figura 7-2
FUNCIN
UTILIDAD
1000
FIG. 7-2
193
Ahora bien, antes de afirmar que esa grfica representa la curva de utilidad
de un Decisor, es necesario comprobar la consistencia de la actuacin del mismo.
Preguntrnosle matonees al Duchen- cul ser la probabilidad (P) que lo hara
indiferente ante una Lotera L[(1000, P); (O, l~P)]o recibir con segundad 250 Bs.
Supongamos que nuestro Decisor establece P = 0.75; determinemos si el comportamiento es coiioiGtete con los axiomas de la Teora de la Utilidad
000
om
0.75
fo
ro
U (1000)
'
a.
U (250
s.
c
Esto equivaldra a
on
t
un
Pero anteriormente establecimos que la \J (250) - - para ese mismo Decisor lo
dm
yc
cual determina un comportamiento inconsistente por parte suya. Esto nos indica
que debemos realizar nuevas pruebas para establecer a veracidad de las curvas y
efectuar los cambios que sean necesarios.
w
w
.a
La funcin de utilidad que hemos derivado, lo cual refleja en definitiva, la

s itiv: ' ' -' ':- ' - . ---'
>::- psirrdtk evaluar la subjetividad de ste a la
unin de una serie de elementos, no necesariamente monetarios, donde intervie
La situacin actual del Decisor, tanto monetaria como perspectivas a corto y

mediano plazo.
Los problemas o beneficios potenciales involucrados en el problema.
Las preferencias del Deciscr.
Factores subjetivos- como posicin, prestigio, etc.
'-:
-. . . - . . - - . '.:.- .
' . ....... ." ;:;;/: ::;. yî cîie cada uno dlos
posibles premios (consecuencias) derivados de un curso de accin pueden describirse en trminos de un solo bien o atributo (dinero^ tiempo, bonos); en nuestro caso
hemos tomado como atributo de evaluacin, el dinero. Sin embargo, podra darse
el caso de que las consecuencias de una determinada alternativa no pudieran ser
identificadas en trminos de un solo bien. En este caso estaramos en el de curvas
multidimensionales. Todo esto constituye parte de un anlisis ms profundo, que
se escapa del carcter introductorio de este Curso; por lo tanto, analizaremos curvas ae utilidad dovele al parmetro udlhado es a! ben moneteio.
194Digitalizado por Liz Zambrano para www.admycontuna.mforos.com
, :-.be destacar que el procedimiento discutido no es nico y que hay muchas

cas que permiten determinar las funciones de utilidad, pero, independientedeJ procedimiento utilizado, el Decisor deber, dado un conjunto de pre-
ordenar los premios o consecuencias segn sus preferencias.
2)
asignar valores de utilidad a dos de las consecuencias.

En nuestro desarrollo hemos utilizado
U(X mx .) = 1
U(X
. )=
1
min.
' O
om
~ez el analista deber:
s.
c
determinar valores de la funcin
fo
ro
verificar consistencia del Decisor.
on
t
un
a.
mo toda grfica, las curvas de utilidad pueden ser representadas analtica3in embargo, la representacin analtica es muchas veces complicada y no
n valores exactos sino aproximaciones. Para ello pueden utilizarse cualese los mtodos de ajuste de curvas disponibles en la literatura.
w
w
sarrollemos el siguiente ejemplo:
.a
dm
yc
a funcin de utilidad puede estar perfectamente representada por una

i del tipo U (X) = e ~a x Va > 0; normalmente tratamos con curvas
as crecientes, pero eso no excluye la posibilidad de que la funcin
est representada por otro tipo de funcin.
1:
pongamos que una persona tiene una funcin de utilidad descrita por
X
X>0
x<0
ll sera en ese caso el equivalente cierto de la Lotera L?
L-v
-160
195
Cabe destacar que el procedimiento discutido no es nico y que hay muchas

tcnicas que permiten determinar las funciones de utilidad, pero, independientemente del procedimiento utilizado, el Decisor deber, dado un conjunto de premios, ( X I ) t . . X n ) :
1)
ordenar los premios o consecuencias segn sus preferencias.

Y
"">
^> Y
A! >
2)
> Xn
asignar valores de utilidad a dos de las consecuencias.

En nuestro desarrollo hemos utilizado
u(x m i n .)=o
2)
verificar consistencia del Decisor.
s.
c
determinar valores de la funcin
fo
ro
1)
om
y a su vez el analista deber:
on
t
un
a.
Como toda grfica, las curvas de utilidad pueden ser representadas analticamente. Sin embargo, la representacin analtica es muchas veces complicada y no
se logran valores exactos sino aproximaciones. Para ello pueden utilizarse cualesquiera de los mtodos de ajuste de curvas disponibles en la literatura.
.a
dm
yc
Una funcin de utilidad puede estar perfectamente representada por una

ecuacin del tipo U (X) = e a x Va > 0; normalhiente tratamos con curvas
Montonas crecientes, pero eso no excluye la posibilidad de que la funcin
utilidad est representada por otro tipo de funcin.
;ernplo 1:
w
w
Desarrollemos el siguiente ejemplo:
Supongamos que una persona tiene una funcin de utilidad descrita por
v s^
->. U
n
.A.
x<0
Cul sera en ese caso el equivalente cierto de la Lotera L?
El equivalente cierto de esta Lotera vendra dado por un valor X tal que
U(X) =
U (100)+
U (20)-
U (-160)
Ahora bien, para esa persona

U (100) -100
U ( 20)- 20
U (-160) = -40
Por lo tanto
U(X) = 25 + 10-10-25
U (X) - 25
X -U 1 (25)
om
Tal como se desprende de la definicin de U entonces
fo
ro
s.
c
X - 2 5 yaque X > 0
en este caso el equivalente cierto para esa Lotera sera X = 25.
a.
Ejemplo 2
1/4
60
1/3
10
.a
dm
yc
on
t
un
. Analicemos el siguiente ejemplo para establecer si el comportamiento de un

Decisor es consistente. Supongamos que nos dice que prefiere la Lotera L, a L 2 l
es decir, Ll > L 2 siendo
w
w
60
10
Para analizar ambas loteras debemos reducirlas a otras equivalentes; a tal

efecto y aplicando el axioma de descomponibilidad a L2 tendremos
60-
L,
1/2
10
en este caso hemos llegado a la conclusin que ambas loteras son idnticas, es
decir, L j 'v L2 y si el decisor prefiere Ll > L 2 ; esto indica inconsistencia, ya
que ha violado un axioma de la Teora de la Utilidad.
196
7.4. DETERMINACIN DE LA ACTITUD DEL DECISOR ANTE EL RIESGO

Como ya hemos indicado, las curvas de utilidad nos permiten codificar la
actitud ante el riesgo del Decisor.
Al establecer las curvas, nos encontraremos ante un espectro infinito de posibles situaciones; sin embargo, centraremos nuestra atencin ante las situaciones
ms tpicas en cuanto a la actitud hacia el riesgo del Decisor.
ATRIBUTO (X)
a.
fo
ro
s.
c
om
UTILIDAD (U (.))
w
w
w
\:
.a
E (U (X) ) < U (E (X) )
dm
Analticamente se representa por:
yc
on
t
un
"-3.S curvas sealadas en el grfico por 1,2 . . . . n nos indican que el equivalente
cierto de una Lotera L es menor que el valor monetario esperado, representado
. -:e ltimo por una lnea recta de pendiente 45 y que pasa por el origen de coor:? nadas.
U (X) = E (U (X) ) = (equivalente cierto)

U [ E (X) ] = U (Valor monetario esperado.)
E esie caso diremos que el Decisor tiene aversin al riesgo.
Por el contrario, las curvas ( 1, 2, . . . n) nos indican que el equivalente
: de la Lotera L es mayor que el valor esperado monetario de los premios, es
E - U ( X ) ) > U[E(X)]
:e caso diremos que el Decisor tiene preferencia al riesgo.
7 jr ltimo, la curva (0) nos indica que el equivalente cierto de la Lotera es
- _ valor monetario esperado, es decir,
i ;u(X)]= U E X )
*s:e caso la curva es la lnea recta y decimos que el Decisor es indiferente al
: 3 sea, que tiene el mismo comportamiento que un Decisor cuyo criterio de
: < : ~ ser elegir la alternativa que maximice el valor monetario esperado.
197
En el ejemplo que utilizamos para la derivacin de la curva de utilidad, el

Decisor tena aversin al riesgo.
7.5. UTILIZACIN DE LA FUNCIN UTILIDAD EN EL PROCESO DE DECISIN
Hasta ahora hemos establecido cmo determinar la curva de utilidad de un
Decisor, pero no sabemos cmo utilizar esa funcin dentro del proceso de decisiones, a fin de tomar en cuenta las preferencias individuales de cada uno de los decisores (actitud ante el riesgo).
Los axiomas de la Teora de la Utilidad conducen a establecer un criterio de
decisin acorde con las preferencias del Decisor.
om
En un problema de decisin, el primer paso es establecer el conjunto de alternativas, estados de la naturaleza y resultados o consecuencias derivados de stos y
estructurales a travs de un rbol de decisiones.
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
Supongamos que las posibles consecuencias del problema de decisin son

, X n ) y, que el Decisor puede establecer una jerarquizaron de esas
(X i
consecuencias tal que X j > X 2 > . . . > X n y por ende U (X^) > U (X 2 ) > . . .
> U (X n ) (por el axioma de monotonicidad). Para simplificar el anlisis supongamos que el problema de decisin tiene dos alternativas (A, A*) y que a cada una de
ellas corresponden dos posibles consecuencias ( X 1 , X 2 ) y (X 3 , X 4 )
por el axioma de continuidad para cualquier consecuencia Xi debe existir una

Lotera L (X mx> . X mn ) equivalente, es decir, que X debe ser el equivalente
cierto de una Lotera L
X 'v L
donde
U ( X i ) = a U (Xmax.) + (1-a) U ( X m i n . )
U(Xi)= a
198
un
a.
fo
ro
s.
c
om
Por lo tanto, X 2 ) X 3 pueden ser sustituidos por loteras con premios X 1 ( X4;en
este caso quedara el rbol
yc
on
t
siendo a- U (X 2 ) y b = U (X 3 ) , U (X,) - 1U (X 4 ) =0
w
w
.a
dm
r el axioma de descomponibilidad, este rbol de decisin podra ser reducido a

S loteras
X4
(l-P ) + P (l-b)
X4
_i loteras Lj y L 2 son loteras con los mismos premios pero con diferentes var5 de probabilidades, por lo tanto, podemos establecer las preferencias del
I Tisor frente a las alternativas.
199
Por el axioma de monotonicidad sabemos que

L! > L2
*>
P + a ( 1-P) > P! b
Sustituyendo
a- U ( X 2 )
b = U(X,)
P+ U ( X 2 ) (1-P) > P' U ( X 3 )
Entonces el criterio de decisin est establecido y nos indica que el Decisor
deber elegir;
La alternativa A, siempre y cuando
om
1)
Ser indiferente entre A y A' si
fo
ro
2)
s.
c
P 4 - U ( X 2 ) (1-P) > P J U ( X 3 )
P + U ( X 2 ) (1-P)- P' U ( X 3 )
Deber elegir A' si
a.
3)
U(X2
on
t
un
P'U(X3)
dm
yc
Notemos que en el criterio de decisin ha sido involucrado el valor de utilidad para cada uno de los premios (1. X 2 , X 3 , X 4 ) y que para establecer ese criterio se ha hecho uso de los axiomas de la Teora de la Utilidad.
w
w
.a
Este desarrollo es equivalente a asignar a cada uno de los nodos terminales de

nuestro rbol de decisin (consecuencia o premio), el valor de utilidad correspondiente, segn la funcin de utilidad dada, y calcular el valor esperado de utilidad
para cada una de las alternativas, tal como se hizo al final de la Unidad 5. El criterio de decisin ser en este caso el de maximizar el valor esperado de utilidad. Procedamos a emplear esta metodologa y comprobar que llegamos al mismo resultado.
Premio
X,
Utilidad
U (Xa)
U(XB)
i-p'
X4
Operando el rbol tendremos.
P + (1-P)
U ( X 2 ) = E [U (A)]
om
P' U ( X 3 ) = E [U (A')]
A - A'
(1--P)U(X2) = P'U(X3)
fo
ro
(1-P)U(X 2 ) < P ' U ( X 3 )
A1
a.
(1-P)U(X 2 ) > P ' U ( X 3 )
un
s.
c
entonces la decisin ser elegir la alternativa de mximo valor esperado de la utilidad.
on
t
Tomo se observa, ambos procedimientos llevan al mismo criterio de decisin.
.a
dm
yc
Resumiendo, diremos que para establecer el curso de accin a seguir en un

Determinado problema de decisin, donde se toman en cuenta las preferencias
:el Decisor a travs de una curva de utilidad, deben realizarse los siguientes pasos:
ESTRUCTURAR EL RBOL DE DECISIN.
2)
ASIGNAR A CADA CONSECUENCIA O NODO TERMINAL DEL

RBOL, UN VALOR DE UTILIDAD PARA CADA UNA DE LAS
ALTERNATIVAS.
3)
CALCULAR EL VALOR ESPERADO DE LA UTILIDAD PARA

CADA UNA DE LAS ALTERNATIVAS.
4)
ELEGIR AQUELLA ALTERNATIVA QUE MAXIMICE EL VALOR

ESPERADO DE LA UTILIDAD.
w
w
1)
Tomemos un ejemplo sencillo para determinar el efecto de las preferencias

un problema de decisin.
Supongamos que un Decisor que tiene un cierto capital en cdulas hipotea un inters fijo, le ha llegado el momento de renovarlas, pero se le ha preado la oportunidad de invertir en un negocio manufacturero que le proporcio un alto rendimiento aunque con un riesgo que estima podra ser considraJ Cul ser la mejor decisin que puede tomar?
201
El rbol de decisiones se representara en este caso por:

Capital al cabo 1 ao
20.000
60.000
10.000
E (A) - 20.C
30.000 .. 30.000
fo
ro
P / A ' w 60.000
s.
c
om
si se siguiera el criterio de maximizar el valor monetario esperado, la solucin la

determinara
a.
siendo
on
t
un
E (A) > E (A 1 ) y en ese caso la alternativa a tomar sera dejar el dinero en

cdulas hipotecarias.
dm
yc
Notemos que en este criterio no han intervenido la actitud ante el riesgo del
Decisor.
.a
Supongamos ahora que la funcin de utilidad del Decisor es tal que

1
w
w
U(X)
0.5
20.000
60.000
- 10.000
-10.000
U(')
;_
0.000
Determinemos ahora la estrategia a seguir, utilizando como criterio la maximizacin del valor esperado de la utilidad.
En este caso el rbol es:
202
El valor esperado de la utilidad para cada alternativa es entonces:

E [U (A)]- 0.5
E [ U ( A ' ) ] = -j- ' l + -f-' 0 -3-
Siendo el criterio mx. E (U (A 2 ))

AI
entonces
E (U (A) ) > E (U (A') )
La alternativa a elegir ser nuevamente dejar el dinero en cdulas hipotecarias.
om
=*
fo
ro
s.
c
Asumamos ahora que el Decisor tiene una-funcin de utilidad tal que
UjX)
10,000
on
t
un
a.
0.2
1
0
20.000
60.000
10.000
- 0.2
1
4
w
w
E (U (A')) =
.a
E (U (A)
dm
yc
en este caso el criterio de maximizar el valor esperado de la utilidad nos indica que
para ese Decisor la alternativa de invertir en el negocio (A') es ms atractiva, ya
que:
- E (U (A) )<
- +' -4- ' 0 = 0.25
E (U (A') ) ** A' > A
Con este simple ejemplo hemos querido ilustrar el efecto que sobre la decisin tienen las preferencias del Decisor (funcin de utilidad).
Utilicemos ahora el ejemplo de la tarjeta de crdito, desarrollado en la autoevaluacin del Mdulo I, e introduzcamos la funcin de utilidad de la compaa.
Las condiciones del problema son las mismas y la funcin de utilidad de la compaa est representada por:
si
XX)
2X
si
X>0
U(X) =
El rbol de decisin para este problema lo resumimos en la figura 7-3

203
VALOR
MONETARIO
1500
1500
1000
2000
O
1470
1030
- 2060
30
60
1490
1490
om
1470
- 2020
10
20
fo
ro
s.
c
0,6
a.
FIG 7-3
on
t
un
Determinemos cul ser la decisin ptima para la compaa, tomando en cuenta

su funcin de utilidad.
w
w
.a
dm
yc
Resolviendo el rbol tendremos
E(U(T)) =
E(U(R)) =
E (U (1))
100
En este caso la decisin ptima es -realizar la investigacin antes de otorgar el crdito.

Si recordamos este ejemplo tal como se desarroll en el Mdulo anterior, la
decisin es diferente, ya que hemos tomado en cuenta la actitud ante el riesgo
(preferencias de la compaa).
204
AUTOE VALUACIN
Instrucciones
fo
ro
Supongamos un Decisor cuya curva de utilidad est definida por:
a.
si X< O
un
U(X) =
on
t
si O < X < 2
2 + 3X
dm
yc
si 2 < X
.a
Supongamos la Lotera
w
w
1)
s.
c
om
Resolver los problemas indicados a continuacin contestando las preguntas

indicadas.
-i
Indique la certeza o falsedad de las siguientes observaciones:

A)
El Decisor tiene aversin al riesgo para todo X
B)
El decisor viola los axiomas de la teora de la Utilidad.
C)
El equivalente cierto de L puede no ser "nico.
205
2)
Considere las siguientes funciones y establezca si podran ser funciones de

utilidad. De no ser as, qu axioma estaran violando?
om
(a)
w
w
w
(c)
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
(b)
3)
Usted ha sido contratado para determinar la funcin de utilidad de una

compaa que tiene como parmetro de evaluacin las ganancias de un ao,
medidas en millones de bolvares. El presidente de la compaa establece que
U (0)
= O
U (100)
Al preguntrsele a ste se obtienen las siguientes respuestas (marcadas en un

recuadro).
206
100
I)
(IV)
O
100
II)
1/2
40
fo
ro
s.
c
om
58
a.
15
un
Se pide:
Determinar el valor de la utilidad de las cantidades en el recuadro.
B)
Son consistentes todos los valores indicados en- las loteras?

Razone su repuesta.
C)
Grafique la funcin.
4)
w
w
.a
dm
yc
on
t
A)
Supongamos que en entrevista con el gerente de una compaa se ha deducido la siguiente informacin:
A)
Es consistente con las axiomas de la Teora de la Utilidad.
B)
100
1/2
30
O
30
1/2
10
1/2
207
100
10
1 p
a)
Supongamos que un Decisor tiene la siguiente funcin de utilidad
U (X) =
4+-X
<*
fo
ro
X *
om
s.
c
5)
Cul sera el valor de P
w
w
.a
dm
yc
on
t
un
a.
El Decisor se enfrenta al siguiente problema de decisin, representado en el

anexo
0,5
11
208
Se pide:
Qu decisin deber tomar?
B)
Represente su curva de utilidad. Qu actitud ante el riesgo indica?
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
A)
209
OBJETIVO
EVALUADO
PROBLEMA
SECCIN
REFERENCIA
14
7.2
14
9.2
14
7.2-7.3
14
7.4
15
fo
ro
s.
c
om
un
a.
7,5
.a
1:
La grfica de la curva de utilidad ser:
w
w
:-*::*ema
dm
yc
on
t
Clave razonada
211
A)
Falsa, ya el Decisor tiene el siguiente comportamiento:

Aversin al
riesgo
VX > O
B)
Falsa, de la informacin suministrada no es posible concluirlo.
0}
Correcta,
Ic-a O < X < 2 la U (X) es la misma, por lo tanto hay varios valores de X que proporcionan la misma utilidad al Decisor.
Problema 2
Esta grfica podra representar una funcin de utilidad. Lo nico que
indica que a partir de X, la utilidad de disponer de una unidad ms de
X decrece.
yc
on
t
un
a.
fo
ro
s.
c
om
A)
dm
.a
Esta grfica podra representar una funcin de utilidad, ya que no

existe ningn axioma que obligue a que diferentes bienes representen
diferentes valores de utilidad.
w
w
B)
X X X
3
U (X t ) =
ningn axioma.
212
U (X 2 ) =
U (X 3 ), sin embargo, sta no viola
Podra ser una curva de utilidad si tenemos una grfica:
fo
ro
s.
c
om
Pero si la grfica fuera
U (40) - y U (100) + i U (0) = y
.a
A)
dm
yc
on
t
un
a.
no podra ser una funcin de utilidad ya que para un mismo valor

de X habra dos valores de utilidad U j (X), U 2 (X); esto viola el
axioma ce continuidad
w
w
U (15)=-i-U (40)
+--U(0) =
U (58) - -i- U (100)

U ( 0 ) = O - ~ U (15) + l-U(-2)
U (-2)- -1/4
U (38) =4 U (58) +4 U (15)=
B)
Las loteras (a) y (e) indican que

U (40)-
U (38)
213
Sin embargo, esto no viola ningn axioma de la Teora de la Utilidad,

luego no hay inconsistencia.
C)
NC.)
100 X
obiema 4
fo
ro
s.
c
om
A)
1/2
on
t
un
1/2
a.
10
dm
yc
Aplicando sustitutabilidad de loteras tendremos
.a
1/2
100
w
w
1/2
100
10
Por lo tanto
P = 0.25
214
Problema 5
A)
om
6,5
7,25
un
a.
fo
ro
s.
c
11
10
w
w
.a
dm
yc
on
t
DC
La que optimiza el valor esperado de la utilidad ser la Alternativa II
Para ~%, > B el Decisor es indiferente ai riesgo

Para X < 8 el Decisor tiene aversin a! riesgo.
215
UNIDAD
CRITERIOS DE DECISIN
Al finalizar el estudio de esta Unidad, usted deber estar en capacidad de:
un
a.
fo
ro
s.
c
om
16) Aplicar los criterios de decisin a un problema de decisiones estructurado en

forma de rbol de Decisiones o en forma Matriz de Decisiones, para determinar la estrategia ptima.
yc
on
t
dm
8.1. Introduccin
218
B.3, Criterio del Valor No Monetario Esperado o Criterio del Valor de

la Utilidad
220
8.4. Otros Criterios de Decisin
222
w
w
.a
8.2. Criterio del Valor Monetario Esperado
Pag.
218
8.4.1.
8.4.2.
8.4.3.
8.4.4.
8.4.5.
8.4.6.
8.4.7.
8.4.8.
Introduccin
La Matriz de Decisiones
Criterio Maximin o de Wald
Criterio Maximax
Criterio de Hurwicz
Criterio de Laplace
Criterio del Arrepentimiento o Criterio de Savage
Resumen Comparacin de Criterios
222
223
227
228
229
230
231
233
Autoevaluacin
235
239
217
8.1. INTRODUCCIN
Una vez que el problema de decisin ha sido estructurado, habiendo identificado sus elementos, asignado probabilidades a la ocurrencia de los estados naturales y valores a cada resultado y establecido preferencias y actitudes temporales
ante el riesgo, es necesario disponer de un criterio que permita la seleccin de la
alternativa ptima.
El establecimiento de un criterio de decisin responde a la pregunta de cul
alternativa debe seleccionarse? La alternativa con el mayor valor esperado de
beneficio neto? La alternativa con la mnima prdida mxima? La alternativa
con la mayor utilidad esperada? La pregunta es difcil de responder.
s.
c
om
Ya hemos dicho que la escogencia del Criterio de Decisin se realiza con el

propsito de seleccionar la alternativa ptima. Una alternativa se dice ptima si
satisface los objetivos y preferencias del Decisor. Lo anterior pone de manifiesto
la estrecha relacin entre objetivos, preferencias y criterios de decisin. De hecho,
la decisin de cul criterio utilizar no es sino un reflejo de las preferencias del
Decisor.
Criterio del Valor Monetario Esperado
Criterio del Valor Esperado de la Utilidad
Criterio Maximin o de Wald
Criterio Maximax
Criterio de Hurwicz
.a
dm
yc
on
t
un
a.
fo
ro
En esta Unidad revisaremos los criterios de decisin ms comnmente aceptados:
w
w
Criterio de Laplace
Criterio del Arrepentimiento o de Savage
En pginas anteriores hemos introducido y utilizado ampliamente los dos primeros criterios, por lo que en esta Unidad nos limitaremos a su formalizacin, sin
abundar en detalles puesto que el estudiante ya conoce su aplicacin. Por lo tanto,
la Unidad se dedicar principalmente al estudio de los otros criterios.
8.2. CRITERIO DEL VALOR MONETARIO ESPERADO
Ya hemos mencionado que en gran parte de los problemas de decisin, el
valor asignado a un resultado puede establecerse adecuadamente en trminos monetarios. Este hecho justifica el uso frecuente de este criterio en los problemas
de decisin, especialmente del rea empresarial donde el objetivo del Decisor es
optimizar alguna forma de Valor Monetario y maximizar el beneficio econmico
neto.
El procedimiento para aplicar el criterio del Valor Monetario Esperado es el
siguiente;
218
Faso 1.
Calcular el Valor Monetario correspondiente a cada resultado,
Paso 2.
Calcular el Valor Esperado del Valor Monetario, para eada alternativa.
Paso 3,
Selecciona* la alternativa que permite el mximo Valor Monetario Es-
Hay que tener claro que en realidad no ocurre que una vez tomada la
decisin, se obtenga un beneficio igual al Valor Monetario Esperado. En realidad,
el valor que se obtendr estar determinado por el estado natural que ocurra y no
coincidir, en genera], con el Valor Monetario Esperado; sin embargo, este valor
permite tomar en cuenta el hecho de que no todos los eventos son igualmente probables. El hecho es por lo tanto que el Valor Monetario Esperado representa un
valor ficticio y no un valor real.
om
Ejemplo:
s.
c
Un Decisor enfrenta el problema de decisin que se ilustra.
w
w
.a
dm
yc
on
t
un
a.
fo
ro
Determine cul alternativa debe seleccionarse.
: i.ucion:
l i i a la informacin suministrada, el Decisor deber utilizar el criterio de
. : r. el Valor Monetario Esperado.
,::: io tanto, aplicando el procedimiento se deber calcular:
ô: monetario de cada resultado, que para este problema es un dato.
219
2)
El valor esperado del valor monetario, para cada alternativa.

E
f AI]
o | .5 x 10} + (6 x 8) |
+ -5 ! (.5 x 4) + (.5 x 2) ] = 6
E [AJ = 6
3}
A,] - .5 j{,5 x 3) 4- (.5 x 5) j
{A2f
-f .5
(.5 x 9)
+ (.5 x 11} ]
- 1
Seleccionar la alternativa que permita el mximo valor monetario esperado,

Puesto que
A,
Seleccionar alternativa
s.
c
om
8.3. CRITERIO DEL VALOR NO MONETARIO ESPERADO O CRITERIO

DEL VALOR ESPERADO DE LA UTILIDAD
un
a.
fo
ro
Sabemos que, en general, los valores monetarios no caracterizan plenamente

todos ios resultados importantes para el Decisor, como es el caso de situaciones
donde los niveles de prdidas o ganancias son muy elevadas. En estos casos, se requiere un criterio de decisin ms amplio, que adems de los factores monetarios
incluya la influencia de otros factores, tal criterio es el criterio del Valor Esperado
dm
yc
on
t
Ya hemos estudiado que los ndices o valores de utilidad se proponen de tal

manera que permiten la tema de decisiones sobre la base del Valor Esperado de
Calcular la Utilidad correspondiente a cada resultado.
w
w
Paso 1.
.a
El procedimiento para aplicar el Criterio del Valor Esperado de la Utilidad

es el siguiente:
Paso 2.
Calcular ei Valor Esperado de la Utilidad para cada alternativa.
Paso 3.
Seleccionar la alternativa que permita el mximo Valor Esperado de

la Utilidad.
Es importante recordar que el Valor Esperado de la Utilidad representa un

valor ficticio que no pretende representar el valor del dinero como tal, sino que
refleja la integracin de diversos elementos que conforman las preferencias del
Decisor.
Ejemplo:
Un Decisor cuya actitud hacia el riesgo es expresada por la funcin de utilidad U (x). enfrenta el problema de decisin que se ilustra en el rbol de decisiones suministrado. Determinar cul alternativa debe seleccionarse.
220
VALOR
RBOL DE DECISIN
on
t
un
a.
fo
ro
s.
c
om
10
dm
yc
11
.a
Solucin:
w
w
El Decisor del problema deber utilizar el criterio del valor esperado de la

utilidad; por lo tanto, aplicando el procedimiento se deber calcular:
1)
La utilidad para cada nodo terminal del rbol.

VALOR
CALCULO
10
10
8
4
2
UTILIDAD
4 +
4 +
10
8
6
2
2
f21
4 +
CO\
5,5
4 -f (B)
6,5
9
11
2
9
11
9
11
221
2)
3)
El valor esperado . la utilidad para cada alternativa:

E
U (Ai) =
,5 ( (.5 X 10) + (.5 X S) j + .5 i (.5 X 8) 4- (.5 x 5) 1
U (A,) -
7.25
U (A 3 ) =
.5 [ (.5 X 5,5) + (.5 X 8,5) | + ,5 |(.5 X 9) + (.5 X 11) ]
U ( 2 ) =
8,00
Seleccionar la alternativa que permite el mximo valor esperado de la utilidad.

Puesto que
E j U {A 2 ) j
Seleccionar alternativa
>
| U i A, > j
A2
s.
c
om
8,4. OTROS CRITERIOS DE DECISIN
fo
ro
8.4.1. Introduccin
on
t
un
a.
Hemos estudiado (Mdulo 1, Unidad 3) que los autores que siguen

la comente subjetiva de las probabilidades defienden la tesis de que
la asignacin de stas a la ocurrencia de los estados naturales, relevantes a un problema de decisin, siempre es posible, aun por pequea o escasa que sea la informacin -disponible respecto a los eventos.
dm
yc
Por otra pavte, los autores no subjetivistas consideran que existen situaciones de decisin en las cuales puede ser imposible asignar probabilidades a la ocurrencia de los estados naturales. Como razones para
tal afirmacin se sealan los hechos siguientes:
w
w
.a
La dificultad para la obtencin de datos suficientemente significativos para derivar, calcular y asignar probabilidades a la
ocurrencia de los estados naturales.
La oposicin del Decisor mismo, a la asignacin de probabilidades, hecho que ocurre frecuentemente cuando el estado natural
pertinente es un evento desagradable o comprometedor.
En general, se argumenta que este tipo de problemas de decisin se

presentan cuando los decisores enfrentan situaciones nuevas, que nunca han ocurrido antes y que quizs no puedan volver a repetirse.
Bajo estas condiciones los criterios de decisin que hemos estudiado
hasta ahora no pueden aplicarse a estos casos, por lo que es necesario
examinar otros criterios alternativos.
Los criterios de decisin que vamos a estudiar reflejan igualmente los
valores y preferencias del Decisor. Ninguno de ios criterios goza de
aceptacin universal; cada uno de ellos conduce a la seleccin de la
mejor alternativa de acuerdo a las premisas del criterio y, como se ver
posteriormente, ia aplicacin de los diversos critenos a un mismo problema arroja diferentes resultados, por lo que la seleccin del criterio
222
de decisin a utilizar en un problema particular viene a constituir, por

s mismo, un problema de decisin.
8,4,2, La Maai de Decisiones
A fin de facilita): el estudio de estos criterios de decisin, vamos a estudiar ima forma, alternativa, al rbol de decisin para la representacin de un problema de decisin; esta estructura alternativa se conoce
como Matriz de Decisiones.
La matriz de decisiones es una manera formal de exhibir o estructurar
la interaccin de las alternativas y de los estados naturales. Igual que
siempre, entenderemos por alternativas los cursos de accin entre los
cuales debe seleccionarse, y por estados naturales, el conjunto de eventos inciertos sobre los cuales el Decisor no tiene ningn control,
s.
c
En resumen, para estructurar la matriz de decisiones:
om
La matriz de decisiones asocia un valor cualitativo o cuantitativo a

cada resultado, producto de una alternativa y de un estado natural.
a.
Se designa por E- a los estados naturales.
fo
ro
Se designa por A i a las alternativas o cursos de accin.
on
t
un
Para cada alternativa (A) y para cada estado natural (E.) se asocia un resultado (R^) nico al cual, se le asigna un valor (V..) cualitativo o cuantitativo.
dm
yc
Con los elementos anteriores se construyen una matriz rectangular, en la cual:
Cada columna representa un estado natural especfico.
w
w
.a
Cada fila representa una alternativa especfica.
La matriz de decisiones adopta la forma siguiente:
MATRIZ DE DECISIN
ESTADOS NATURALES
223
Ntese que el valor V nm corresponde al resultado R n m producto

de la combinacin de la alternativa n con la ocurrencia del estado
natural m.
Debe tenerse claro que los conjuntos de las alternativas (A ; ) y de
los estados naturales (E.) deben enumerarse de manera que los
elementos sean mutuamente excluyentes y totalmente exhaustivos para el problema particular que se considere,
Como ejemplo para ilustrar la estructuracin de un problema de
decisiones en forma de matriz de decisiones, consideremos el siguiente ejemplo, tomado de Kngineenng Economy por H. G.
Thuesen
om
Una compaa de ingeniera civil dedicada al diseo y construccin de obras tiene la oportunidad de participar en una licitacin
de dos contratos muy importantes.
fo
ro
s.
c
El primero de ellos involucra el diseo y construccin de una fbrica, y el segundo contempla el diseo y construccin de un sistema colector de aguas negras.
on
t
un
a.
La compaa esta en posicin de ganar cualquiera de las licitaciones e incluso ambas y por ello desea analizar el problema y establecer la mejor estrategia a seguir
yc
Estructuracin del Problema; Elementos dei Problema
w
w
.a
dm
El Decisor
Los directivos de la compaa
Estados naturales
(E, | Obtener contrato 1
( E 2 ) Obtener contrato 2
(E.j Obtener contrato 1 y 3
Alternativas:
Al considerar las oportunidades relativas al contrato,
se pueden desarrollar cuatro alternativas.
A,
Compaa acta como gerente del proyecto y subcontrata todo el trabajo.
A2
Compaa subcontrata el diseo y realiza el trabajo.
A3
Compaa realiza el diseo y subconrata construccin.
A 4 : Compaa realiza diseo y construccin.
224
Resultados:
Una vez identificados los estados naturales y las alternativas, deben
identificarse los resultados y asignarse valores a cada resultado.
En este ejemplo, pueden identificarse doce resultados, producto de
cuatro alternativas y tres estados naturales, e igualemente deben asignarse doce valores
El mtodo de asignacin de valores que la compaa ha escogido seguir
es el siguiente:
Listar los ingresos y egresos proyectados en el tiempo asociado a
cada i, -ultado.
Obtener el valor presente del beneficio neto correspondiente.
om
s.
c
Estructuracin de la Matriz de Decisiones
fo
ro
Los valores obtenidos por el procedimiento sealado se muestran en la

figura 8-2.
un
a.
En dicha matriz puede verse que la compaa incurrir en una prdida

de cuatro millones si la alternativa 1 es seleccionada y si el contrato 1
es otorgado.
MATRIZ DE DECISIN
w
w
.a
dm
yc
on
t
Si el contrato es otorgado el beneficio ser de 1 milln; si los dos contratos le son otorgados el beneficio neto, en valor presente, ser de 2
millones.
-2
FIG. 8-2
Ntese que cada fila de la matriz de decisin representa los valores

asignados a cada resultado asociado a cada estado natural (columna)
para una alternativa particular (fila).
225
Los valores en la matriz de decisin no requieren ser de carcter monetario, pueden ser expresiones cualitativas o cuantitativas de la utilidad
asociada a cada resultado. Es esencial sin embargo, que los valores asignados estn expresados en una medida o unidad comn directamente
comparable, tales como valor presente, tiles, equivalente anual, etc.
En la matriz de nuestro ejemplo los valores se expresan en valor presente.
El estudiante debe tener muy claro que la matriz de decisin es una
representacin alternativa al rbol de decisin, quedando al criterio del
analista cul forma de representacin le conviene utilizar para cada
problema particular.
a.
fo
ro
s.
c
om
A fin de que el estudiante pueda establecer sus propias conclusiones y

formarse un criterio propio, estructuraremos tambin nuestro ejemplo
en forma de rbol de decisin.
un
-4
1
2
on
t
yc
.a
dm
w
w
-2
1,6
6
O
2
5
RBOL DE DECISIN
FIG. 8-3
Habiendo concluido el proceso de estructuracin del problema de

decisin, podemos pasar a estudiar los criterios para seleccionar alternativas; para ilustrar la aplicacin de los distintos criterios utilizaremos
continuamente el mismo ejemplo que acabamos de desarrollar.
226
8.4.3. El Criterio Maximin o Criterio de Wald

El criterio Ma>. imin est basado en una visin pesimista del futuro; su
utilizacin supone que la naturaleza es malvola y producir el estado
natural que minimiza el beneficio del Decisor.
La aplicacin de criterio Maximin permitir al Decisor seleccionar la
alternativa que asegure el mejor de los peores resultados posibles, o
sea que deber escogerse la alternativa que maximice los beneficios
mnimos.
Si en la matriz de decisiones V^ representa el valor asignado al resultado asociado a la. alternativa i y al estado natural j, la aplicacin del
criterio Maximin se realiza en los pasos siguientes:
Vi
fo
ro
nin V ; j ),
j
s.
c
om
Fsol: Selecf nar el valor mnimo para cada fila de la matriz de

decs! es o sea:
un
a.
Paso 2: Escoger ei mximo de los valores mnimos determinados en el

paso 1, siendo la alternativa que lo produce, la seleccionada
por el criterio, es decir:
yc
on
t
A - A i / m a x [min, (V )] Vi
AI
"
Siendo A = alternativa ptima
.a
dm
El procedimiento lo ilustraremos utilizando nuestro problema anterior

de la compaa de ingeniera civil y usando la matriz de decisiones que
ya desarrollamos.
w
w
Los resultados se muestran en la figura 8-4
CRITERIO MAXIMIN
Alternativa
[minj ( V U ) ]
AI
A2
A3
-2
A4
MaXj [ min- (Vij) ]
FIG. 8-4
227
La seleccin de la alternativa A asegura al Decisor un resultado o beneficio de al menos 1 milln, independientemente del estado natural que
resulte.
8.4.4. El Criterio Maximax
El criterio Maximax est basado en una visin optimista del fu turo; su
utilizacin supone que la naturaleza es bondadosa y producir el estado natural que maximiza el beneficio del Decisor.
La aplicacin del criterio Maximax permitir al Decisor escoger la alternativa que corresponda al mejor de los mejores resultados posibles
o sea, que deber escogerse la alternativa que maximice los beneficios
mximos.
s.
c
om
Si, al igual que antes, Vu representa el valor asignado al resultado asociado a la alternativa i y al estado natural j, la aplicacin del criterio
Maximax se realiza en los pasos siguientes:
fo
ro
Paso 1: Seleccionar el valor mximo para cada fila de la matriz de

decisiones o sea:
Vi
un
a.
[max
yc
on
t
Paso 2: Escoger el mximo de los valores mximos determinados en

el paso 1, siendo la alternativa que lo produce, la seleccionada
por el criterio, o sea:
[max (V^) ]
i
.a
dm
A = A; /max
A
Siendo A - alternativa ptima
w
w
w
Vi
El procedimiento lo ilustramos en la figura 8-5
CRITERIO MAXIMAX
Alternativa
228
[Maxj
(Vy)]
AI
A2
A3
A4
Maxi
[Maxj (V y ) ]
FIG. 8-5
La seleccin de la alternativa A 3 promete un valor de 6 millones si la

naturaleza resulta ser benvola.
El optimismo del criterio Maximax contrasta con el pesimismo del criterio Maximin.
Un Decisor que siga el criterio Maximin considera slo el peor resultado posible para cada alternativa y selecciona la que promete el mejor
de los peores resultados posibles. En nuestro ejemplo, si A2 es selec^
cionada, la empresa se asegura un resultado de al menos 1 milln, pero
elimina la posibilidad de obtener un resultado mayor de 4 millones.
om
En contraposicin, si un Decisor sigue el criterio Maximax, es un optimista que decide basndose slo en el mejor resultado ofrecido por
cada alternativa; as, si en nuestro ejemplo, la alternativa A2 es seleccionada, la compaa enfrenta la posibilidad de una prdida de 2 millones, en su &n por obtener una ganancia de 6 millones.
s.
c
8.4.5. Criterio de ti rwicz
yc
on
t
un
a.
fo
ro
La aplicacin del criterio de Hurwicz permite al Decisor establecer un

compromiso entre los resultados ms optimistas y los ms pesimistas.
El razonamiento bsico del criterio de Hurwicz es el hecho de que

muchas decisiones concentran su atencin en los resultados o consecuencias extremas, olvidndose de los resultados intermedios. La utilizacin de este criterio permite ponderar la importancia relativa que el
Decisor asigna a los valores extremos.
O < a < 1
.a
dm
El criterio de Hurwicz propone la utilizacin de un ndice de optimismo relativo a , tal que
w
w
Cuando a = 1, el Decisor es optimista acerca del futuro.

Cuando a = O, el Decisor es pesimista acerca del futuro.
Una vez que se ha especificado el valor de a , la aplicacin del criterio
de Hurwicz requiere:
Paso 1: Calcular el coeficiente de Hurwicz (CH) para cada alternativa,
CH=
a [maXj (V u ) ] + (1a) [minj (Vu) ]

donde V es el valor asociado al resultado producto de la alternativa i y del estado natural j.
Paso 2: Seleccionar el mximo de los valores del coeficiente de Hurwicz, calculados en el paso 1 para todas las alternativas y asociado a la alternativa que lo produce, o sea:
CH M = Max ja [Max (Vu) J + (1-*) [min, (V)]
i
'
229
Para ilustrar la aplicacin del criterio de Hurwicz considrese la matriz

de decisin de nuestro ejemplo y habiendo el Decisor especificado a =
-0.25
CRITERIO DE HURWICZ
Clculo de CH
CH"
AI
u. 25 (2) +0.75 ( 4 )
-2.5
A2
0.25(4) +0.75 ( 1 )
+ 1.75
A3
0,25 (4) + 0,75 (-- 2)
-0.50
A4
0.25 (5) + 0 . 7 5 ( )
+ 1.25
Mximo
CH
+ 1.75
om
Alternativa
F1G. 8-6
fo
ro
s.
c
Segn el criterio de Hurwicz el Decisor deber escoger la alternativa

que muestre el mayor coeficiente de Hurwicz y por lo tanto seleccionar A 2 .
on
t
un
a.
Vale la pena hacer notar al estudiante que cuando a = O, el criterio de

Hurwicz da el mismo resultado que el criterio Maximin, mientras que
cuando a = 1, el criterio de Hurwicz da el mismo resultado que el criterio Maximax.
dm
yc
As, que los criterios Maximin y Maximax constituyen casos particulares del criterio de Hurwicz.
.a
8.4.6. Criterio de Laplace
w
w
Ei criterio de Laplace supone que los estados naturales tienen iguales

posibilidades de ocurrir. El razonamiento para esta suposicin es que
puesto que no se dispone de ninguna informacin para presumir que
un estado es ms probable que otro, puede entonces suponerse que
todos tienen idnticas probabilidades de ocurrencia.
El principio en el cual se basa este criterio se conoce como Principio
de Laplace o de la Razn Insuficiente, el cual supone que la naturaleza
es indiferente a la ocurrencia de los estados naturales.
La aplicacin del criterio Laplace se realiza en tres pasos:
Paso 1: Estimar la probabilidad de ocurrencia de los estados naturales
P =
donde n es el nmero de estados naturales considerados.
230
Faso 2: Calcular el valor esperado de les valores asignados a los resultados correspondientes a cada alternativa, o sea:
E [ V j = p 2 V,
Vi.
Faso 3: Seleccionar la alternativa con el mayor valor esperado, o sea:

A - A,; / Max [p 2 \\ ]
Vi
sien-do A - alternativa ptima.

Para nuestro ejemplo de la compaa de ingeniera civil, los clculos se
muestran en la figura 3-7.
om
p = -s-
s.
c
n= 3
fo
ro
CRITERIO DE LAPLACE
Clculo
(p 2vj)
J
IMaxjpDVij)
i
i
-0.33
f 4 + 1 -f 2)
un
AS
a.
Alternativa
yc
on
t
1
a
dm
1
( -2 + 1.5 + 6 )
- (0 +2 + 5}
3
w
w
A4
.a
A3
'
^2,00
U
i
1.80
2.30
2.30
pin u,7
La alternativa con el mayor valor esperado es la alternativa A4 y. por

lo tanto, es seleccionada.
Ntese que si en vez de suponer probabilidades iguales para todos los
estados naturales, asignramos probabilidades por cualquier mtodo,
estaramos aplicando los criterios del Valor Esperado que hemos estudiado en e comienzo de esta Unidad,
8.4.7. Criterio del Arrepentimiento o Criterio de Savage
Este se basa en ia suposicin de que el Decisor, al seleccionar una alternativa en particular, desea minimizar el arrepentimiento que pueda
surgir de la escogencia realizada. El monto del arrepentimiento se estima como la diferencia entre el resultado que se hubiera obtenido de
no haber existido incertidutnbre y el que se obtuvo en realidad.
La aplicacin dei criterio de Savage requiere la formulacin de una

matriz de arrepentimiento, que se deriva a partir de la matriz de decisiones, lo cual se realiza de la manera siguiente:
Paso 1: Identificar el mximo valor para cada estado natural (columna) de la matriz de decisiones, o sea identificar
[max
Paso 2: Calcular los valores de arrepentimiento (ARj) correspondientes a la alternativa i y al estado j, sustrayendo cada valor en la
columna del valor mximo de la misma columna, identificado
en el paso 1 , o sea calcular
| max
s.
c
om
Paso 3: Calcular los valores de arrepentimientos mximos o sea:

Vi
Seleccionar la alternativa A, que asegure el mnimo de los

arrepentimientos mximos, es decir, seleccionar la alternativa
con el arrepentimiento Minimax, o sea
A
un
a.
Paso 4
(ARij)
fo
ro
max) , = max
A, min |max ( A R l t )
on
t
A,
Vi
dm
yc
siendo A - alternativa ptima.
w
w
.a
Para nuestro ejemplo, la aplicacin del procedimiento se indica en las

figuras 8-8 y 8-9.
MATRIZ DE DECISIONES
1.5
FIG. 8-S
232
MATRIZ DE ARREPENTIMIENTOS
mn max
fo
ro
s.
c
om
AR 13
a.
figura 8-9
on
t
un
La alternativa que minimiza ios arrepentimientos mximos es A 4 y por

lo tanto se la selecciona.
dm
yc
8.4.8. Resumen de la Comparacin de Criterios
w
w
.a
Las alternativas seleccionadas siguiendo los criterios presentados se

resumen en la figura 8-10
COMPARACIN DE CRITERIOS
CRITERIO
ALTERNATIVA ESCOGIDA
MAXIMIN
A2
MAX MAX
A3
HURWICZ
A2
L APLACE
A4
SAVAGE
A4
Figura 8-10
233
Debe notarse que la aplicacin de los criterios no arroja resultados

consistentes. Debe recordarse igualmente, que estos criterios fueron
desarrollados pensando en situaciones de decisin donde no se puede o
no se desea asignar probabilidades a la ocurrencia de los estados naturales.
Una revisin de los criterios expuestos indica que cada uno tiene sus
mritos y sus fallas.
om
Varios factores pueden afectar la escogencia del criterio de decisin

para una situacin particular; quizs los ms relevantes sean la actitud
del Decisor ante la incertidumbre (pesimismo u optimismo) y su funcin de utilidad personal. De tal manera que la escogencia de una regla
de decisin para un problema dado se basa fundamentalmente en el
juicio subjetivo del Decisor. Esto es completamente lgico, pues al no
disponerse de probabilidades no se puede derivar un procedimiento
objetivo.
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
Debe mantenerse claro que si la asignacin de probabilidades es posible y se desea, estaremos en un caso donde podemos aplicar las tcnicas que hemos estudiado en las otras unidades y podremos seleccionar
la alternativa ptima utilizando los criterios del Valor Esperado, ya sea
monetario o de la utilidad.
234
AUTOE VALUACIN
Instrucciones
Para cada uno de los problemas suministrados, responda la pregunta que se

indica al final.
Una empresa est planificando la introduccin de un nuevo producto, el cual
es similar a otro ya existente en el mercado. En base a un estudio realizado
por los departamentos de mercadeo y produccin, se han hecho estimaciones del flujo de fondos futuros que generara esa introduccin.
s.
c
om
Los estimados realizados (en millones), se muestran en la tabla anexa e indican que la introduccin del producto generara un flujo de fondos A si la
demanda disminuye; un flujo B, si la demanda permanece estacionaria y un
flujo C, si la demanda crece.
fo
ro
Basndose en experiencias pasadas y en proyecciones futuras, se ha estimado

que las posibilidades de una demanda decreciente, demanda constante y
demanda creciente son, 0.1, 0.3 y 0.6, respectivamente.
un
a.
La empresa comnmente utiliza una rata de inters del 10% anual para sus
anlisis econmicos.
,
on
t
Pregunta:
dm
yc
En base a los datos suministrados y utilizando el criterio del valor monetario

esperado, estimar y justificar si la empresa debe introducir el nuevo producto.
.a
Sugerencia:
a) Estructurar el rbol de decisin.
w
w
1)
b) Asignar valores a reultados.

c) Determinar estrategia ptima.
Ao
Probabilidad de ocurrencia de
Flujo de Fondos
P ( A ) = 0.1
P(B) = 0.3
P ( C ) = 0.6
-30
-30
11
11
10
11
11
10
11
-30
TABLA PROBLEMA No. 1

235
2)
Suponga que los directivos de la empresa del problema No.l se rigen por la
funcin de utilidad definida como:
X para
X < O
3X + 5 para X > O
Pregunta:
Utilizando el criterio del Valor Esperado de la Utilidad, estimar y justificar si
la empresa debe introducir el nuevo producto.
Sugerencia:
a) Estructurar el rbol de decisin
om
b) Asignar valores a resultados
Un inversionista dispone de una suma de dinero para invertir; despus de

estudiar las posibilidades existentes reduce sus alternativas a tres:
fo
ro
3)
s.
c
c) Determinar estrategia ptima
a.
Invertir en acciones especulativas

Invertir en acciones de bancos
Invertir en bonos gubernamentales
un
A2
A3
on
t
Adicionalmente, el inversor considera tres estados naturales:
.a
dm
yc
E! : Revolucin
E 2 : Paz- sin recesin econmica
E 3 : Paz con recesin econmica
w
w
Un anlisis preliminar arroja la siguiente matriz de valores en trminos de

tasa de retorno en porcentaje anual:
El
E2
-i
E3
A,
20
A2
A3
-6
MATRIZ PROBLEMA 3
Pregunta:
Qu alternativa se seleccionar de acuerdo al criterio de:
a)
b)
c)
d)
e)
236
Maximin
Maximax
Hurwicz con o= 0.50
Lapiace
Arrepentimiento o Savage.
La tabla anexa muestra la matriz de decisin (en tiles) para tres alternativas
y tres estados naturales
MATRIZ PROBLEMA 4
Pregunta:
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
Maxim in
Mxima::
Hurwicz con a = 0.75
L aplace
Arrepentimiento o Savage.
a)
b)
c)
d)
e)
om
Qu alternativa se seleccionar de acuerdo al critero de:
w
w
4)
OBJETIVO
EVALUADO
PREGUNTA
SECCIN
REFERENCIA
16
8-2
16
8-3
16
8-4
16
8-4
om
s.
c
CLAVE RAZONADA
A:
B:
C:
Demanda decreciente
Demanda constante
Demanda creciente
Introducir producto
No introducir producto
dm
yc
on
t
un
Estados naturales
I:
I:
a.
Alternativa
.a
RBOL DE DECISIN
w
w
a)
fo
ro
1)
VP,
239
b)
CLCULOS DEL VALOR PRESENTE

VPA - -30 + 11 X
9X
VPA =
4. i () y
(l + O.l)1
(l+O.l)2
+ 8 X
--.-.,---
(1 + 0.1)2
(i + or
+ 0.492
Similarmente se obtiene
VPB =
VPC =
+ 4.870
- 4.185
s.
c
om
Estos valores se asignan a los nodos terminales del rbol de decisin y por lo
tanto
VALOR
0.492
4.870
w
w
.a
dm
yc
on
t
un
a.
fo
ro
RBOL DE DECISIN
c)
Clculo del Valor Monetario Esperado

E [I] = 0.1 (.492) + 0.3 (4.870) + 0.6 (-4.185)
E [I] = - 1.000
E[T]= O
Puesto que
E [I] < E [ f ]
debe seleccionarse la alternativa I y por lo tanto no debe introducirse el

producto.
2)
a)
240
El rbol de decisin es el mismo del problema anterior
VALOR PRESENTE
RBOL DE DECISIN
0.492
4.870
un
CALCULO DE LAS UTILIDADES
on
t
b)
a.
fo
ro
s.
c
om
-4.185
X < O
yc
dm
U(X)
X >O
w
w
.a
3X + 5
U(.492) = 3 (.492) + 5 - 6.48

U (4.870) - 3(4.870) + 5 = 19.6!
U (-4.185)- 4.185
U (0) - 3 (0)+ 5 = 5
c)
CALCULO DEL VALOR ESPERADO DE LA UTILIDAD

E U (i) j - 0.1(6.48) + 0.3(19.61) + 0.6 (-4.135)
E [U (1)]'= 4,03
E [U ( ! ) ] = 1(5)
E [U ( I ) ] -
Puesto que
E [U (I) ]
<
E [U ( T )]
debe seleccionarse la alternativa I y por lo tanto no debe introducirse el

producto.
241
om
CRITERIO MAXIMIN
a}
A,
20
-1
A2
A3
ALTERNATIVA
PTIMA
A3
0
W ...
yc
on
t
un
a.
MAXIMIN
(V)
s.
c
E3
fo
ro
E2
dm
CRITERIO MAXIMAX
w
w
.a
ALTERNATIVA!
OPTiMA
CRITERIO HTjaWICZ (a =.5)

1
Aj
242
V
t]
E-
E3
20
-6
L__^____
A2
A3
CALCULO CH
^-(20) +4- -)
(9) +J-(0)
2
2
i(4)+ .(4)
2
2
CH
4.5
4
Alternativa
ptima
AI
d)
CRITERIO LAPLACE (n ~
e)
CRITERIO SAVAGE
AR..
AR.,
i3
\
Minmax
AR
Alternativa ptima
Al
E3
ARn
10
11
-i
20
-1
-6
A2
&
11
A3
16
16
yc
on
t
un
a.
AI
om
E:
s.
c
fo
ro
E,
MAXIMIN
MAXIM AX
HURWICZ
AI
.a
DECISIN
dm
GRITERO
A3
w
w
A3
LAPLACE
A]
SAVAGE
A,
CRITERIO MAXIMIN
MAXIMIN
(V)
El
E2
E3
A,
50
80
80
(&8)
A2
60
70
'0
20
A3
90
3u
60
20
ALTERNATIVA
PTIMA
AI
243
b)
CRITERIO MAX MAX
c)
AI
50
80
80
f-{80) + ^ - ( 5 0 )
A2
60
70
20
|(70) + ^(20)
A3
90
30
60
4(90) 4- 4<30)
CH
Alternativa
ptima
72.5
57. 5
(75)
A3
un
a.
fo
ro
s.
c
om
EI
CRITERIO HURWICZ (a-0.75)

'
' " '
E2
CALCULO
CH
B3
on
t
d)
CRITERIO LAPLACE ( n = 3 )
CALCULO
E [Vif
E [Vi]
80
80
J-(50 + 80 + 8 0 )
60
70
20
4(60 +70 + 20)

o
50
90
30
60
4(90 +30 + 6 0 )
60
w
w
A3
E3
50
.a
A2
dm
AI
E5
yc
El
....
E,
244
E2
SAVAGE
.___ CRITERIO
"""""
E3
AR 2 AR 3
AKn
.,_-
Alternativa
ptima
A!
Minimax Alternativa
ptima
(AR)
(43)
Aj
50
80
80
40
A2
60
70
20
30
10
60
60
A3
90
30
60
50
20
50
A,
UNIDAD
EL VALOR OE LA INFORMACIN
Al finalizar el estudio de esta Unidad e! estudiante deber estar en capacidad

de:
17) Dada una situacin de decisin bajo un estado de conocimiento, determinar

el valor esperado de ia informacin perfecta,
on
t
un
a.
fo
ro
s.
c
om
18) Dada una situacin de decisin bajo un estado de conocimiento, evaluar la

conveniencia de la adquisicin de informacin adicional.
9.1. Introduccin , ,
246
,
246
.a
9.2. Pronosticador Perfecto
dm
yc
246
9.4. Anlisis a posteriori y valor de la informacin adicional
254
9.5. El valor de la informacin y la actitud ante el riesgo del Decisor
260
w
w
9.3. Valor esperado de la informacin perfecta
9.6. El valor de ia informacin y la prdida de oportunidad
,..
263
Autoevaluacin
267
Solucin de la Autoevaluacin .
271
9.1. INTRODUCCIN
En la Unidad 3 destacarnos la importancia que tiene el grado de informacin
disponible, respecto a un fenmeno aleatorio determinado, en la asignacin de las
probabilidades a los posibles eventos en l asociados. Tambin estudiamos corno
se modificaba la probabilidad asignada apriori a un evento dado, con la consideracin de informacin adicional. En esta Unidad centraremos nuestro inters en la
determinacin y evaluacin del costo de adquisicin de informacin adicional una
vez que se dispone de una parte de ella.
En el Anlisis de Decisiones, el estudio de este aspecto es importante porque
permite conocer hasta qu punto vale la pena, econmicamente hablando, llevar a
cabo una actividad de captacin de nueva informacin antes de la toma de la decisin definitiva.
fo
ro
s.
c
om
Una vez identificados todos ios estados de la naturaleza involucrados en el

problema de decisiones que se analiza, y habiendo considerado toda la informacin al alcance, se tiene una idea de grado de incertidumbre que se posee, asociado ste a nuestra parcial o total incapacidad para hacer asignaciones de probabilidad para las distintas variables aleatorias especificadas.
on
t
un
a.
El problema radica en si el Decisor debe actuar con la informacin disponible o si pospone la decisin e inicia un proceso de captacin de informacin adicional.
yc
9.2, PRONOSTICADOR PERFECTO
w
w
.a
dm
Postularemos una "persona" denominada "pronosticador perfecto" o "clarividente" como "alguien" que por adelantado conoce o que va a suceder respecto
a cualquier fenmeno aleatorio, conoce con exactitud qu valor en particular va a
tomar cada una de las variables aleatorias involucradas en nuestro problema.
Mediante el pronosticador perfecto estaremos en capacidad de eliminar todo tipo
de incertidumbre, de disponer de la informacin perfecta, pero claro est, a un
determinado costo.
Es obvio que materialmente no existen los clarividentes o los pronosticadores
perfectos; se trata, sencillamente, de un postulado til en el proceso real de captacin de nueva informacin, porque permite establecer un tope mximo a lo que
vale la pena pagar a fin de obtener informacin adicional. La determinacin de
este tope mximo es esencial en la decisin de si debe iniciarse o no el proceso de
captacin de informacin adicional.
9.3. VALOR ESPERADO DE LA INFORMACIN PERFECTA

E valor esperado de la informacin perfecta (VEIP) puede estimarse como la
diferencia entre el beneficio esperado cuando se dispone de la informacin perfecta (BEIP) y el beneficio esperado que se puede obtener bajo un estado de informacin a priori (BEIAP)
246
Para un- variable aleatoria determinada, el valor esperado de la informacin

perfecta representa el lmite superior del costo de cualquier programa o proceso
diseado para la captacin de informacin adicional, sobre tal variable. Por ello,
que es importante la determinacin de tal valor, porque sire como punto de referencia en el momento de la contratacin de cualquier estudio tendente a recolectar informacin adicional.
Por otro lado, es importante conocer el valor espetado de la informacin perfecta en una situacin determinada, porque ello sirve de orientacin acerca de si es
importante o no conducir una investigacin. Cuanto ms alto sea el VEP asociado
a una situacin de incertidumbre, ms importante ser iniciar un proceso de captacin de informacin adicional.
om
Para ilustrar esta definicin, tomemos como ejemplo el caso de la perforacin del pozo petrolero tratado en la Unidad 5 y determinemos cunto es en ese
caso el valor esperado de la informacin perfecta (VEIP).
fo
ro
s.
c
Segn podemos recordar, los estados de la naturaleza con sus respectivas probabilidades a priori y el beneficio neto correspondiente a cada accin y a cada
estado, son los que aparecen en el cuadro 9-1.
ESTADOS DE LA N A T U R A L E Z A
w
w
.a
dm
yc
on
t
un
a.
?2 Pczo pequeo 6'3- Pozo grande
Cuadro 9-1
Segn la definicin, lo primero que debemos hacer es determinar el beneficio

neto esperado, asumiendo poseer la informacin perfecta (BEIP).
Veamos que si el pronosticados" perfecto nos asegura que ocurrir # , entonces la decisin lgica ser llevar a cabo la accin A : (por ser la de mayor benei'icio); si en cambio, el "clarividente*' nos asegura que ocurrir 0 2 0 3 la decisin
obvia ser optar por la accin A, que es la que optimiza el beneficio en estos
casos.
El beneficio esperado en base a la informacin perfecta es la suma ponderada
ie estos beneficios ptimos, con las respectivas probabilidades de ocurrencia de
cada uno de los estados, probabilidades que gracias al clarividente coinciden con
.as probabilidades de obtener tales beneficios; de esta forma:
BEIP - 0.52 X O -f 0.26 X 300.000 + 0.22 X 1,000.000
BEIP - 298.000
Si H este valor que acabamos de obtener le restamos el valor esperado del
>rneficio neto en condiciones de incertidurnbre (que ya calculamos en la Unidad
247
5 y es de Bs, 194,000) obtenemos la cantidad de Bs. 104.000 que representa el

VEIP
VEIP= 104.000
y el cual as el mximo precio a pagar por cualquier estudio geofsico tendente a
determinar la identidad dol sucio,.
Al VEIP tambin Be le denomina con frecuencia "costo de la ineertidumbre",
denominacin qu>3 tiende a resaltar el hecho de que tal valor os o qu;e nos cuesta
tomar la decisin bajo un estado de ineertidumbre caracterizado por im estado de
oisicic! determinado,
Estados de la Naturaleza
P(E,)
Al
A2
E2
...
P(E 2 )
V,
v i t.
V22
Sn
P(E n )
VIH
V!J
v, ;
V2n
on
t
w
w
.a
dm
yc
..
un
a.
...
P(%)
VM
EJ
s.
c
fo
ro
. EJ
Acciones
.Alternativas o
I?
om
Formalizando el proceso llevado a cabo en el ejemplo, tenemos que s dado un

problema de decisiones estructurado como indica el cuadro 9-2,
CUADRO 9.2
donde los EJ (j = 1,.. . n) son ios distintos estados de la naturaleza con sus respectivas probabilidades P (E i ) l las Ai (i - 1, . . . m) son las distintas alternativas o cursos de accin y V^- es el beneficio neto o valor monetario correspondiente a cada
pareja (Aj, EJ), segn e! criterio que maximiza el beneficio neto esperado, la alternativa elegida debe ser aquella para la cual el valor
, . , .m
(9.2)
sea mximo, o sea, el curso de accin elegido con las probabilidades asignadas
usando la informacin disponible a priori arrojar un beneficio neto esperado que
puede expresaran como
BEIAP= mx (B;
248
(8-3)
Ahora bien, recurriendo ai "clarividente" o pronosticado* perfecto, hemos

dicho que la accin que llevamos a cabo es siempre aquella que produce el mayor
beneficio bajo el estado de la naturaleza que el "caiividente" asegura va a producirse, o sea, si el "clarividente" asegura que se producir el estado E, entonces la
accin A; que se lleva a cabo ser aaulla oara la cual V; sea mximo (para todo i).
De esta forma el beneficio esperado, disponiendo de a informacin perfecta
(BEIP), puede expresarse como
BE?=
i = 1, . . . m
(9.4)
As, segn a definicin que hemos dado, la expresin del valor esperado de
la informacin perfecta ser:
fo
ro
s.
c
om
VEIP = BEIP - BEIAP
A manera de verificacin, el estudiante podr sustituir en esta expresin los

respectivos valores dados en el cuadro 9-1 y obtener VEIP - 104=
yc
on
t
un
a.
Es equivalente a la definicin resumida por las ecuaciones 9.1 y 9.5 la interpretacin que permite definir el valor esperado de a informacin perfecta como la
cantidad en la cual se incrementa nuestro beneficio neto esperado como cpnse;u enca de haber tenido conocimiento de la informacin perfecta, Si designamos
:n K esta cantidad podramos escribir
(9.6)
dm
BEIAP + K = BEIP
w
w
.a
:. ordenamos los trminos de esta ecuacin y sustituimos las ecuaciones 9.2, 9.3
9,4 obtenemos
? ( , ) mx (V u ;
(9.7)
-K=mx
in que en virtud de las propiedades del Valor Esperado de una variable

a, puede escribirse como
P (E ) Vu
~i
(9.8)
i is ana ecuacin de primer grado en K,

Siendo la cantidad K un incremento en nuestro beneficio esperado, resultado
- iber tenido conocimiento de la informacin perfecta, la ecuacin 9,8 permite
r .-i retar esa cantidad como un pago que estaramos dispuestos a hacerle al "clairir.e'' e mejor pago) a fin de que nos suministre la informacin que l posee.
- i= debido a que apareciendo K como un sustraendo al beneficio V u produci::: la alternativa A^ cuando se da el estado natural E i f una vez que hemos
: ::do pagar ese precio, hemos de pagarlo independientemente del curso detxr. y del estado natural que se d.
249
El inters por llegar a esta interpretacin cobrar importancia cuando en la

seccin 9,5 consideremos el caso en el cual el Decisor, a diferencia de lo que
hemos supuesto hasta ahora, no es indiferente al riesgo, y por lo tanto est caracterizado por una particular funcin de utilidad.
Mientras tanto agreguemos que la ecuacin 9.8 sugiere el siguiente procedimiento pare evaluar el VEIP:
Dado un problema, estructurado como indica el cuadro 9.2 (matriz de decisiones)
Evaluar el beneficio neto esperado con la informacin a priori {miembro derecho de la ecuacin 9.8)
b)
Restar la cantidad K de cada valor de beneficio neto correspondiente a

cada par (A, Ej}
e)
Para cada j = 1. , n determinar el valor mx (V 5 -K)

i
d)
Evaluar el miembro izquierdo de la ecuacin 9.8
e)
Igular los resultados obtenidos en a) y d)
f)
Despejar el valor de K
a.
fo
ro
s.
c
om
a)
.a
dm
yc
on
t
un
Ahora bien, debido a que en este Curso hemos estructurado los problemas de
decisiones principalmente en forma de rbol, describiremos a continuacin el procedimiento a emplearse para determinar el VEIP, cuando se tiene tal estructuracin. Es importante notar que en una estructuracin en forma de rbol, los estados Ej del cuadro 9.2 equivaldran a los estados representados por los nodos termnales del rbol, las probabilidades P (Ej), las probabilidades asociadas a dichos
nodos terminales y los beneficios V 4 j a los beneficios netos asociados a cada uno
de tales nodos.
w
w
Tenemos entonces:
Dado un problema estructurado en forma de rbol de decisiones
a)
j
Ii
Evaluar el beneficio neto esperado asociado al rbol que considera la j
informacin a priori
b)
;i
Construir el "rbol del clarividente'' el cual consiste en intercambiar en \ rbol orig

modo tal que cada decisin se toma una vez que se conoce el estado que
va a ocurrir
c)
Restar la cantidad K de cada valor de beneficio neto correspondiente a

cada nodo terminal del "rbol del clarividente"
d)
Evaluar el beneficio esperado correspondiente al "rbol del clarividente"
e)
Igualar los resultados obtenidos en a) y d)
f)
Despojar el valor de K
Ejemplifiquemos este procedimiento, tomando el problema del cuadro 9.1;

para ello estructurmoslo en forma de rbol:
-200.000
300.000
om
1000.000
s.
c
Figura 9.1
fo
ro
En la figura 9.1 se observa que de la aplicacin del paso a) del procedimiento,

se obtiene un beneficio neto esperado con la informacin a prior (BEIAP) de Bs.
194.000.
on
t
un
a.
Aplicando los pasos b) y c) tenemos lo mostrado en la figura 9.2
-O
0-K
300.000 K
0-K
10000.000K
w
w
.a
dm
yc
'-r-,000-K)
-200.000-K
Figura 9.2
El resultado de aplicar el paso d) aparece tambin en la figura 9.2 indicado

en el valo asociado al nodo inicial.
Aplicando los pasos e) y f) consecutivamente, tenemos:
298.000 -K = 194.
K - 104.000
que coincide con el obtenido incialmente, empleando las ecuaciones 9.1
9.5.
Veamos el siguiente ejemplo, donde determinaremos el VEIP empleado ini: emente la manera sugerida por la ecuacin 9.1 y luego el procedimiento sugeri:: por la ecuacin 9.8.
251
El grupo XXX, ejecutante de msica "rock", ha decidido cortar (grabar) un

disco. Los representantes de la compaa disquera tienen sus dudas sobre los resultados que puedan tener; asignan una probabilidad subjetiva de 1/4 a que el disco
sea un xito. Los costos de fabricacin y distribucin son de Bs. 20.000. Si resultara un xito, el grupo y la casa disquera obtendran un beneficio neto de Bs.
100.000, si fracasara se quedaran con el lote de discos "fro".
Sean:
El disco resulta un xito.
E:
Lo contrario de E (fracaso).
G:
Grabar el disco
G;
Lo contrario de G (no grabar).
om
E:
100.000
20.000
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
el rbol de decisiones correspondiente es el de la Fig. 9.3.
FIG. 9.3
De la evaluacin del mismo resulta que la decisin debe ser grabar el disco,
con un beneficio neto esperado de Bs. 10.000.
Supongamos ahora que el grupo XXX y compaa tiene la posibilidad de
consultarle al profesor Alfa quien es un pronosticador perfecto y posee informacin perfecta sobre los procesos mentales de todos los fanticos de la msica
"rock"; consideremos los eventos
"E": El profesor Alfa dice que el disco ser un xito.
"E": Lo contrario de "E"
en este caso, previo a cualquier decisin hay que considerar la informacin perfecta suministrada por el profesor Alfa; si ste dice que el disco ser un xito, la decisin ser grabar, de lo contrario no traer ningn beneficio hacerlo. Calculemos
cunto es el beneficio neto esperado en caso de poseer ia informacin perfecta del
profesor Alfa; el rbol correspondiente (rbol del clarividente) es el de la figura
9.4.
100.000
"E"
1/4
- 20000
15,000
VEIP =
fo
ro
s.
c
om
El beneficio neto esperado en este caso es el de Bs. 25.000, por lo tanto, cualquier
consejo que pueda dar el profesor, tiene un valor para ei grupo, de Bs. 15.000, que
es ia diferencia de beneficio esperado antre tomar la decisin disponiendo de la
informacin perfecta y tomaila con la informacin a priori representada por la
asignacin de probabilidades hecha al inicio, diferencia que hemos designado
como el valor esperado de la informacin perfecta.
w
w
.a
dm
yc
on
t
un
a.
Si quisiramos emplear la interpretacin sugerida por la ecuacin 9.8, el

rbol de la figura 94 nos quedara como indicamos a continuacin en la figura 9.5
(aplicacin de los pasos b), cj y d) del procedimiento)
i ooooo -K
Figura 9.5
igualando el beneficio aspeado que arroja este rbol (paso e) con el beneficio
esperado correspondiente ai rbol de la figura 9.1 (informacin inicial) tenemos la
siguiente ecuacin:
_1_
4
:e donde, despejando K (paso f) se obtiene:
K = VEIP= Bs. 15,
:al y como habamos obtenido antes.
E! anlisis que hemos conducido hasta el momento est basado en las proba:i]idades que han sido asignadas cers la informacin disponible apnon, segn un
rierto estado de conocimiento, V-aremos en el prximo punto cmo incorporar
formacin adicional (aunque no perfecta) y proseguir as con si anlisis.
253
9.4. ANLISIS A POSTERIORI Y VALOR DE LA INFORMACIN

ADICIONAL
Supongamos que ei grupo XXX, para mejorar su estado de informacin, no

pudiendo disponer de un "verdadero" profesor tiene la alternativa de realizar algunos estudios de mercado, cuya confiabilidad es la siguiente:
0,6 = probabilidad de que el estudio indique un buen mercado para el disco cuando efectivamente as ser.
0,8 = probabilidad de que el estudio indique un mercado no receptivo para el disco cuando efectivamente as ser.
P (e~/) = 0,8
Pe/E) = 0,2
s.
c
P(e/E) = 0,4
fo
ro
P(e./E) = 0,6
om
Si indicamos con e el evento; "el i-simo estudio del mercado indica que el disco
ser un xito", la confiabilidad del estudio se traduce en las siguientes probabilidades.
que se puede resumir en el rbol de probabilidades de la figura 9.6
yc
on
t
un
a.
0,15= PtEOe.
0,10 =P (E H e
dm
0,4
w
w
.a
,15=P (
3/4
0(60=P(n.
Figura 9,6
Para analizar el rbol de decisiones que contemple el estudio de mercado, es

necesario conocer las probabilidades a posteon. Veamos: del rbol de probabilidades de la figura 9-6 se desprende que
P (E n e . ) = 0,15
P ( E n e . ) = 0,10
P (En e .) = 0,15
P (En e.) = 0,60
P (e.) = 0,30
P(i) = 0,70
valores que llevados al rbol de ia figura 9-7 permiten determinar

P (E/e.) =1/2 ;
254
P (E/e.) =1/7
P(E/e.)= 1/2
y P (E/gj) = 8/7. Ntese que heios empleado el rbol de probabilidades como un

procedimiento alternativo ai empleo directo de la frmula de Bayes.
0,15
0,60
om
Figura 9.7
-20000
100.000
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
Estamos en condiciones ahora de analizar el rbol de decisiones, contemplan:o un primer estudio de mercado (figura 98)
w
w
20000
F i g u r a 9,8
jperando sobre este rbol se obtiene que el beneficio neto esperado, una vez que
_:~ ha realizado el primer estudio de mercado, es de Bs 12.000, tal como se indica
en la figura 9-8.
El valor esperado de la informacin que arroja el estudio de mercado se pue:e calcular como la diferencia entre el beneficio neto esperado, tomando en cuen: la investigacin menos el beneficio neto esperado segn el anlisis realizado con
.i= probabilidades a priori, "anlisis a priori". A este valor se le suele llamar
Valor esperado de la informacin imperfecta o valor esperado de la informacin
auestral (VEIM).
En el ejemplo tenemos entonces,
VEIM-Bs (12.000-10.000)- Bs 2.000
255
Empleando un procedimiento similar al sugerido por la ecuacin 9-8 para el

caso de la informacin perfecta, podramos tambin determinar el valor esperado de la informacin imperfecta. Veamos:
En la figura 9-9 aparece de nuevo el rbol de decisiones correspondiente a
nuestro problema del Grupo XXX considerando el estudio de mercado. Ntese
que slo difiere en el de la figura 9-8 en que el beneficio asociado a cada nodo
terminal est reducido en una cantidad K', que representa lo mximo que estaramos dispuestos a pagar por un estudio de mercado de la confiabidad ofrecida,
om
(172(80000- 2 K
fo
ro
s.
c
(80000-2 K')+"0,7 (-?
(jV7- (IQQQOO^K
4- K/j) ___-E o 100.000
_ - , _ . _ 7.)'-6/7(20000
. . _
..__
20000 - K
-K
F i g u r a 9.9
dm
yc
on
t
un
a.
s^
w
w
.a
igualando el valor que aparece en el nodo incial con el beneficio neto esperado
con la informacin a priori, podremos despejar a K' que ser el valor esperado de
la informacin muestral o imperfecta (VEIM).
0,3 --7H8000Q -2K') + 0,7 (-K') - 10.000

12.000-K' - 10.000
K' - 2000 - VEIM
tal como habamos obtenido anteriormente.
Hay que resaltar que esta informacin adicional que incorporamos a nuestro
estado de informacin inicial (a priori), siendo en la mayora de los casos producto de un estudio estadstico sobre una muestra restringida, pero representativa de
la poblacin sujeto del problema de decisiones, es una informacin imoerfecta porque no existe ninguna investigacin, estudio o encuesta que pueda decirnos
con precisin, qu es lo que va a suceder ante un fenmeno de naturaleza aleatoria, salvo el clarivi .ente que postulamos al inicio.
Es importante notar que en el anlisis a posteriori, cuando se incorpora informacin adicional a la disponible en e! anlisis a priori, lo que se pretende es disminuir la incertidumbre y, poi- lo tanto, teniendo mayor conocimiento de la situacin que 22 tiene enire manos, resultar factible que una estrategia recomendada
256
Empleando un procedimiento similar al sugerido por la ecuacin 9-8 para el

caso de la informacin perfecta, podramos tambin determinar el valor esperado de la informacin imperfecta, Veamos:
En la figura 9-9 aparece de nuevo el rbol de decisiones correspondiente a
nuestro problema de Grupo XXX considerando el estudio de mercado. Ntese
que slo difiere en el de la figura 9*8 en que el beneficio asociado a cada nodo
terminal est reducido en una cantidad K', que representa lo mximo que estaramos dispuestos a pagar por un estudio de mercado de la confabilidad ofrecida,
100,000
fo
ro
s.
c
om
20,000
-C^
100.000 - K'
E
*^H
6/7
20000- K'
Figura 9.9
dm
yc
on
t
un
a.
^Q/7
(lOOOOO-K
+ K7))_ E
\
_ _ , _, _,f )-"6/7(20QOO
. _ ,
^_
w
w
.a
igualando el valor que aparece en el nodo incial con el beneficio neto esperado
con ia informacin a priori, podremos despejar a K' que ser el valor esperado de
la informacin muestra! o imperfecta (VEIM).
0,3 -^(80000 - 2K') + 0,7 (-K') - 10.000
12.000 ~ K ' - 10.000
K' - 2000 - VEIM
tal como habamos obtenido anteriormente.
Hay que resaltar que esta informacin adicional que incorporamos a nuestro
estado de informacin inicial (a priori), siendo en la mayora de los casos producto de un estudio estadstico sobre una muestra restringida, pero representativa de
la poblacin sujeto del problema de decisiones, es una informacin imoerfecta porque no existe ninguna investigacin, estudio o encuesta que pueda decirnos
con precisin, qu es lo que va a suceder ante un fenmeno de naturaleza aleatoria, salvo el clarivi .ente que postulamos al inicio.
Es importante notar que en el anlisis a posteriori, cuando se incorpora informacin adicional a !a disponible en el anlisis a priori, lo que se pretende es disminuir la incertidumbre y, por lo tanto, teniendo mayor conocimiento de la situacin que se tiesse entre manos, resultar factible que una estrategia recomendada
256
inicialmente durante el anlisis a priori, pase a ser sustituida por otra anteriormente desechada. Es realmente en este caso, cuando la investigacin o ei experimento
empleado en la recoleccin de informacin adicional, es ms valioso.
La adquisicin de informacin adicional nunca es gratuita, siempre conlleva
un costo que est estrechamente relacionado, o bien con un proceso de muestreo
estadstico o bien con los honorarios de los especialistas consultados. Este costo
es comnmente denominado Costo Asociado a a Adquisicin de Informacin,
om
Vale a pena realizar un muestreo estadstico o una consulta, slo si el valor

esperado de la informacin que de l se piensa recabar, es mayor que e costo que
implica tal muestreo o consulta. La diferencia entre VEIM y dicho costo, es lo que
se denomina la Ganancia esperada de la informacin muestral o imperfecta
(GEM).
fo
ro
s.
c
En nuestro ejemplo, para que el estudio de mercado implique una ganancia,

debe tener un costo inferior a los Bs. 2.000.
dm
yc
on
t
un
a.
Volvamos ahora sobre el problema de ia perforacin del pozo petrolero que

vimos ai inicio de la seccin 9-3, Recordemos de la Unidad 5 que la empresa de
perforacin consideraba la contratacin de un estudio geofsico para la determinacin de las caractersticas del suelo. Tal estudio tena un costo de Bs. 100.000,
o sea, el costo asociado a la adquisicin de informacin es igual a Bs. 100.000.
Calculemos ahora la ganancia esperada de tal estudio. Para ello es necesario que
calculemos el VEIM.
w
w
.a
Consideremos que la confiabilidad del estudio garantizada por ia empresa

que lo va a realizar, es la siguiente:
P (a/A) = 0.9
P (a/A')= 0,3
donde:
a - el estudio dice que el terreno es del tipo A

a' = el estudio dice que el terreno es del tipo A'
A= e terreno es el tipo A
A' el terreno es del tipo A'
Estas, junto con las probabilidades a pron P (A) y P (A') se pueden representar
en el rbol de probabilidades re la figura 9-10.
257
0,36
0,1 >>
0,04
0,18
0,6
om
0.42
fo
ro
s.
c
Figura 9.10
on
t
P ( A ^ a ' ) = 0,04
P (A' n a') = 0,42
P ( a ' ) - 0,46
yc
P ( A ^ a ) =0,36 ,
P (A' n a) 0,18 ,
P ( a ) = 0,54
,
un
a.
Para analizar el rbol de decisiones que contempla la realizacin del estudio geofsico es necesario que determinemos las probabilidaes a posteriori (Bayes). Del
rbol de la figura 940 se desprende:
.a
dm
valores que llevados al rbol de la figura 9-11.
w
w
0,36
0,18
0,04
0,46
0/2
Figura 9.11
258
permiten determinar ? (A/a ) 2/3 ; P (A'/a) = 1/3 ;

P ( A / a ) - 2/23
; P(A ? / a; ) - 21/23
De esta forma el rbol de decisiones queda estructurado como en la figura 9-12.
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Cada nodo terminal tiene asignado el beneficio neto correspondiente, disminuido de la cantidad K' (los valores han sido tomados del cuadro 9-1 y expresados en Bs -103), que es el valor esperado del estudio (VEIM) y es lo que queremos determinar.
-K
.12
igualando el valor del beneficio esperado obtenido considerando el estudio

(segn aparece en el nodo inicial del rbol de la figura 9-12, es de 194K') al valor
del beneficio esperado segn el anlisis a priori se obtiene la siguiente ecuacin
194 -K f - 194
que arroja un VEIM = O
Recordando que el costo del estudio es de Bs. 100,000 (costo asociado a la adquisicin de informacin), la ganancia esperada de la informacin muestra! (GEIM)
en este caso es:
GEIM - O - 100.000
GELM - - 100.000
259
o sea, una perdida,

Es interesante detenerse eri el hecho de que independientemente del resultado
que d el estudio de suelo (vase figura 9-10), la decisin ptima es siempre la de
perforar (por ser la de mayor beneficio neto esperado) adems, aun $n hacer el
estudio, perforar es tambin la decisin ptima. En otras palabras, el estudio no
aporta ninguna informacin que al Decisor haga modificarle la estrategia elegida
a priri.
9.5. EL VALOR DE LA INFORMACIN Y LA ACTITUD ANTE EL RIESGO
DEL DECISOR
s.
c
om
Ya en la Unidad 7 qued establecida la importancia que puede tener la consideracin de la actitud del Decisor ante el riesgo en la toma de decisiones. Vimos
que cada Decisor queda caracterizado por una curva o funcin de utilidad y que la
decisin es tomada buscando maximizar esta utilidad, que refleja el grado de satisfaccin que le puede producir uno u otro beneficio (monetario o no).
fo
ro
En el caso de la determinacin del valor del valor de la informacin, podemos ver que es tambin muy importante la consideracin de las preferencias al
riesgo.
on
t
un
a.
Si en la ecuacin 9.8 hacemos que se maximicen no los beneficios sino la

utilidad que tales beneficios producen, obtendremos:
P (E.)-mx I U (Vy -K) ) - mx
PE.J-U^.)
(9.9)
.a
dm
yc
w
w
Esta es una ecuacin en K, pero ya no de primer grado (a menos que la funcin utilidad, U (v), sea lineal), K sigue siendo el valor esperado de la informacin
perfecta, pero ahora, est determinado no por una relacin de beneficios sino por
una relacin de la utilidad que al Decisor le producen tales beneficios.
Dependiendo de la forma de la funcin U (v), de si tiene expresin analtica o no, ser ms o menos fcil el despeje de K. Este despeje, en todo caso, puede
conducirse mediante un proceso de tanteo.
Ntese que gracias al axioma de monotonicidad, a pesar de ser K una incgnita a despejar, siempre podr establecerse el valor
mx
[ U (V'
-K)
JJ = 1. , . n
e,n el primer miembro de la ecuacin 9.9.

Continuemos con nuestro ejemplo de la perforacin del pozo petrolero y supnganos ahora que nuestro Decisor se caracteriza por una actitud ante el riesgo
representada por a funci utilidad que aparece en la figura 9.13
260
1000
300
on
t
un
a.
100
fo
ro
s.
c
om
w
w
.a
dm
yc
En la figura 8.14 aparece el rbol correspondiente a? anlisis a priori; en cada

nodo terminal aparece, junto al beneficio neto correspondiente (en Bs '10 3 ). el
valor de utilidad respectivo segn la curva. Encerrados en un valo representamos
valores de beneficios, ias utilidades equivalentes aparecen encerradas en un rectngulo.
Ntese que segn se consideren beneficios o utilidades, la alternativa escogida cambia. En el primer caso la mejor es A mientras que en el segundo es A3.
281
Veamos ahora cuanto vale el VEIP

El rbol correspondiente es el de la figura 9.15 (rbol del clarividente)
BENEFICIO
UTILIDAD
- 200 -K
[ (-200 K )
0
0,52 U f - K ) + 0,26 U (300-K)
300
Kj
U ( - K)
K V (300 -K)
u
K;
om
1000
!' .
K i
L'(IOOO-K)
U i- K)
Figura 9,15
fo
ro
s.
c
Vi
un
a.
Empleando la ecuacin 9.9 tenemos
-K = 0,5
on
t
0.52 U ( -K) + 0,26 t (300 -K + 0,22 L (1000
.a
Para K = 200
0,52 U ( -200) + 0,26 U 100) + 0,22 U (800) -
1.
dm
yc
Dado que U ( v ) no est representada por una funcin analtica continua, es necesario resolver esta ecuacin por tanteo. Trataremos de reproducir el miembro derecho de la ecuacin, sustituyendo valores de K en el miembro izquierdo.
w
w
2.
4 0,26.0,75 + 0,22.0,96
0,5
0,4056
O, 5
Para K - O
0,52 U (0) + 0,26 U (300) + 0,22 U (1000)
O, 52. 0,5 + 0,26. O, 85 + 0,22
3.
4.
1
0,7010
Para K - 104
0,52 U (-104) + 0,26 U (196) + 0,22 U (896)
0,52. 0,24
+ 0,26 . 0,80 + 0,22.0,98

0,5485
Of5
= 0,5
:> 0,5
0,5
- 0,5
> 0,5
Para K - 130
0,52 U (-130) + 0,26 U (170) + 0,22 U (870) =
0,52. 0.18 + 0,26. 0.77 + 0,22. 0,97
0,51
262
0,5
0,5
- 0,5
^ 0,5
Si aceptamos la aproxknacin, el Valor esperado de la informacin perfecta, considerando la funcin de utilidad de la figura 9.13 es:
VEJP = Bs. 130.000
9.6. EL VALOR DE LA INFORMACIN Y LA PERDIDA DE OPORTUNIDAD
Muchos autores enfocan el anlisis del valor de la informacin considerando,
asociado a cada nodo terminal del rbol de decisiones, un valor de prdida d
oportunidad en cambio de un valor de beneficio neto.
A pesar de que se trata simplemente de un modo alternativo de resolver el
mismo problema, a continuacin lo trataremos, ya que en algunos casos su uso facilita la determinacin del valor de la informacin.
om
Volviendo a nuestro ejemplo de la perforacin del pozo petrolero, vernos que

en la figura 9.16 apar an en los nodos terminales del rbol los correspondientes
valores de prdida <Je < -ortunidad.
fo
ro
s.
c
200.000
un
a.
on
t
1000000
0,22
Figura 9 . 1 6
w
w
.a
dm
yc
300.000
Vemos que si por ejemplo decidimos no perforar y el pozo es grande (estado

0 3 ) la prdjda ôportunidad es de Bs. 1.000.000, que es lo que dejamos de ganar
por no haber tomado la decisin ptima bajo el estado dado (por ser grande el pozo, la decisin ptima es perforar); igualmente, si decidimos perforar y el pozo est
seco ( 0) la prdida de oportunidad es de Bs. 200.000 que es lo que dejamos de
ganar por no haber tomado la decisin ptima que, en este caso, era no perforar
(la ganancia consiste en una prdida evitada, la cual en este caso es de Bs. 200.000).
Evaluado el rbol vemos que la prdida de oportunidad asociada a cada estrategia es:
Estrategia A : 0,52 X 200.000 + 0,34 X O + 0,14 X O . = 104.000
Estrategia A 2 : 0,52 X O 0,26 X 300.000 0,22 X 1.000.000= 298.000
la estrategia ptima es la de menor prdida de oportunidad asociada, o sea, A1.

263
En trminos de prdida de oportunidad, el Valor esperado de la informacin

perfecta (VEIP) se define como la prdida de oportunidad esperada asociada con
la estrategia ptima, bajo el estado de informacin a priori considerado.
Por lo tanto tenemos que
VEIP = Bs. 104.000
tal como habamos determinado en la seccin 9.3
Para los efectos de la informacin imperfecta, el VEIM puede ser calculado
como la diferencia entre la prdida de oportunidad asociada a la estrategia ptima en un estado de informacin a priori (VEIP) menos la prdida de oportunidad
asociada a la estrategia ptima bajo conocimiento de la informacin muestral (imperfecta).
om
En nuestro ejemplo de la grabacin del disco tenemos:
20.000
100.000
on
t
un
a.
fo
ro
s.
c
bajo el estado de informacin a priori el rbol es el de la figura 9-17
dm
yc
Figura 9.17
w
w
.a
de donde se desprende que las prdidas de oportunidad asociadas con las estrategias G y G son respectivamente 15.000 y 25.000, por lo que G es la estrategia
ptima y 15.000 es la prdida de oportunidad a ella asociada.
VEIP = 15.000
Una vez que se considera la informacin muestral se tiene lo reflejado en la
figura 9-18
O
20000
100000
CiGoTogo/T?
Figura 9.18
264
del mismo se puede observar que reiterando los resultados del rbol de la figura
9.8, si la encuesta pronostica xito, entonces la estrategia ptima es G ( l a de menor prdida de oportunidad); si en cambio, pronostica fracaso, la estrategia a elegir sera G; en iodo caso la prdida de oportunidad asociada con la estrategia ptima despus de conocer la informacin muestra! es, como se lee en el rbol, de Bs.
13.000, por lo tanto
15,000 - 3
,000
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
es corno habamos dicho e! VEIM.
Instrucciones
Resuelva los siguientes problemas:
Dada la siguiente matriz de decisiones, donde a cada par (A., E.) le corresponde un beneficio V.- expresado en miles de bolvares, el cual representa el
ingreso neto resultado de la comercializacin de un producto; E 1 ( E3 y E 3
ESTADOS NATURALES
E
E3
A,
600
A2
700
2100
om
CURSOS
DE
ACCIN
1400
s.
c
1)
1000
fo
ro
700
un
a.
son tres posibles grados de aceptacin del producto por parte del pblico,
cuyas probabilidades a priori son respectivamente 0,3; 0,6; y 0,1 y A I , Aj
y A3 son tres distintas estrategias de ventas, determinar:
El beneficio neto esperado con la informacin a priori, (en Bs ).
b)
El valor esperado de la informacin perfecta.
dm
yc
on
t
a)
.a
Suponga ahora que el Decisor no es neutral al riesgo, sino que responde en

un caso a la funcin de utilidad dada por:
700
w
w
U, ( X ) = l - e
>X
y en otro caso a la funcin de utilidad dada por;

X-2SO
700
U 2 (X) = e
2100 > X > O
Determine en ambos casos el valor esperado de la informacin perfecta (respuestas c y d).

2)
Suponga usted que existen tres eventos de inters con las probabilidades de
ocurrencia siguientes:
E! : el empresario obtendr xito completo, con P (E a ) = 0,58
E 2 : el empresario obtendr un xito limitado con P (E 2 ) = 0,25
E 3 : ei empresario fracasar, con P (E 3 ) - 0,17
Suponga tambin la siguiente matriz de beneficios netos dados en Bs -103
267
Estados Naturales
Cunos
de
Aeeivs
E5
A,
5000
2000
1000
A2
donde
A! . invertir en el negocio del empresario.
om
A2 : no invertir en el negocio del empresario.
m
a.
un
Se observa e, con P (e, ) = 0,6

Se observa e 2 con P (e 2 ) = 0,3
Se observa e 3 con P (e 3 ) - 0,1
fo
ro
s.
c
Se lleva a cabo una encuesta cuyo costo es de Bs. 125.000. La misma arroja
los siguientes resultados mustrales:
on
t
Adems, las probabilidades a postenon son las siguientes:
dm
yc
P (E, / e , } -0,8 P ( E , e 2 ) - 0 , 3 , P ( E , 'e3 ) - 0,1

P ( E 2 / e i ) - 0 , l ; P ( E 2 - ' e 2 ) = 0,5 , p ( E 2 / e 3 ) = 0,4
P ( E s / e , ) = 0,l ; P ( E 3 / e 3 ) = 0,2 , P ( E 3 / e 3 ) = 0,5
.a
Conteste las siguientes preguntas.

Cul es el VEIP con la informacin a prior/?
b)
Cul e$ el valor esperado de la informacin muestral?
c)
Cul es la ganancia neta asociada a la encuesta?
w
w
a)
3)
En el problema de la grabacin del disco del Grupo XXX tratado en esta

Unidad, supngase que se conducen dos estudios de mercado independientes
del mismo tipo (igual contabilidad) del que se seala en el texto. Determnese la estrategia ptima y la prdida de oportunidad asociada a ella, suponiendo que uno de los estudios pronostic xito y el otro fracaso. Determine el
valor esperado de la informacin muestral.
4)
Cierto comerciante tiene un hotel ubicado cerca de un lugar en donde pronto

se instalar una exposicin industrial internacional.
El comerciante cavila sobre la posibilidad de construir unos cuartos adicionales temporales. Estos cuartos adicionales carecern de valor en cuanto se
clausure la exposicin internacional, puesto que la capacidad del hotel es ms
que suficiente para aterido? la demanda normal.
268
Sean las estrategias factibles las siguientes:

A j : construir los cuartos adicionales
A 2 : no construirlos
Sean los eventos de inters los siguientes:
E , : la demanda es suficiente para cubrir el costo de construccin de los
cuartos adicionales.
E 2 ; lo contrario de E,
Suponga tambin las siguientes probabilidades a priori:
P ( E 2 ) - 0,5
om
P E , ) = 0,5 ,
fo
ro
s.
c
Existe la posibilidad de realizar una encuesta que reportar las observaciones

mustrales e, y e2 con las caractersticas siguientes:
P ( e i / E 2 ) = 0,50
P ( e 2 / E 2 ) - 0,50
a.
P ( e , / E , ) - 0,55
P(e 2 /EJ- 0,45
un
Suponga la siguiente matriz de prdidas de oportunidad:
on
t
ESTADOS NATURALES
CURSOS
DE
ACCIN
yc
dm
500000
550000
w
w
.a
AI
A7
E2
E,
Obtenga la siguiente informacin:
a)
El curso de accin ptimo a priori.
b)
El curso de accin ptimo si se observa e,.
c)
El curso de accin ptimo si se observa e 2 .
d)
Pe,) y P(ea)
e)
El valor esperado de la informacin muestra!.
269
AUTOEVALUACIOIM
Seccin
de Referencia
Objetivo
Evaluado
17
9.3
9.4
17
9,4
18
9.4 - 9.6
s.
c
Problema
om
SOLUCSOISI OE LA
fo
ro
Solucin al problema No, 1
w
w
.a
dm
yc
on
t
un
a.
Construyamos el rbol correspondiente y evalumoslo
100
1000
700
la accin recomendable es la A 3 y su beneficio neto esperado es de Bs. 700.000.

Para la determinacin del VEIP es necesario que construyamos el "rbol del
clarividente". Para ello intercambiamos los nodos de decisin con los nodos de
incertidumbre. Obtenemos el siguiente rbol en cuyos nodos terminales hemos
colocado e beneficio correspondiente disminuido de la cantidad K que es nuestra
incgnita.
271
300-K
300-K
100-K
600-K
700-K
1000-K
2100--K
1400K
700~K
Efectuando la igualdad y despejando se obtiene:
s.
c
om
900 - K =
K - 200
fo
ro
El valor esperado de la informacin perfecta, VEIP, es de Bs. 200.000.
BENEFICIO
w
w
72
Ui
U2
300
0,1331
0,0764
600
0,5756
0,1173
2100
0,9502
1,000
300
0,3486
0.0764
700
0,6321
0,1353
1400
0,8647
0,3679
100
0,1331
0,0574
1000
0,7603
0,2077
700
0,6321
0,1353
.a
dm
yc
on
t
un
a.
Para la segunda parte del problema, cuando ei decisor no es indiferente o

neutral al riesgo, tenemos que asociarle a cada nodo terminal la utilidad correspondiente al beneficio respectivo, segn la funcin de utilidad del Decisor considerado. A continuacin repetimos el rbol con los valores de utilidad correspondientes a las funciones U i (X) y U 2 (X).
Como vemos, la utilidad equivalente mxima para el Decisor caracterizado

por U 2 (X) es de 0,5703 y corresponde a la alternativa A 2 , mientras que para el
Decisor caracterizado por U 2 (X), la alternativa mejor es la Aj con una utilidad
equivalente de 0.1883,
Construyamos ahora el "rbol del clarividente" con las utilidades asociadas.
U j (300K)
U 2 (300-K)
300 - K
U! (300 K)
U 2 (300-K)
100 - K
U j (100-K)
U 2 (100-K)
600 - k
U j (600-K)
U2 (GOO-K)
700 -K
U j (700-K)
om
300 K
fo
ro
U j l O O O - K ) U2 (1000K)
U! (2100 K) U 2 (2100 K)
un
a.
2100- K
1400 - K
U 2 (700-K)
s.
c
1000 - K
U2
Ui
Beneficio
Uj(1400-K) U 2 (1400 K)
U i (700-K)
U 2 (700-K)
yc
on
t
700 - K
.a
dm
Veamos primero lo concerniente al Decisor caracterizado por U!.
La utilidad equivalente asociada al nodo inicial es
w
w
0,3 U i (300-K)+ 0,6 U! (1000 ~K)+0,1 U, (2100-K)

Si la igulamos a la utilidad equivalente mxima, obtenida con la informacin
a prori nos queda:
0,3 U, (300-K) + 0,6 U, (1000-K) + 0,1 U, (2100-K) - 0,5703

Sustituyendo la expresin de Uj (X) tenemos:
1000-K^
700
3.00K
700
0,3(1-6
K
700
1-e
) +0,6(l-e
3_
~~ 7
(0,3 e
_ 30
7
+0,6 e
2100-K
700
) + 0,l(l-e
) = 0,5703
+ 0,1 e
) = 0,5703
/. K - 155.3
Para el Decisor caracterizado por U, el VEIP es entonces igual a Bs. 155.300
(respuesta c).
273
Veamos ahora para el Decisor caracterizado por U 2 En forma similar tendremos:

0,3 U 2 (3GO-K) 0,6 U 2 (1000-K) 0,1 U 2 (2100- -K)= 0,1933
Sustituyendo nos queda;
300- K. 2100
P
-
700
1000K- 2100
,
r,
700
-r
O5n
*
V
W P
^
18
e 7~
(0,3 e
K
- 0,1933
11
4 0,6 e
+ 0,1 e
2100 -K -2100
700
+ 0 , 1 ) -0,1933
173,3
fo
ro
s.
c
om
Para el Decisor caracterizado por U 2 el VEIP es entonces igual a Bs. 173.300.

(Respuesta d).
Solucin al problema No 2
SO O O
15,
20
0,25
o r
-o
1000
w
w
.a
dm
yc
on
t
un
a.
El rbol correspondiente es
E "rbol del clarividente" es

5000
C_3400
274
Igualando tenemos:
3400-K = 3230
K = 170
El valor esperado de la informacin perfecta es:
VEIP= Bs. 170.000
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Construyamos ahora el rbol que considera la encuesta:
w
w
Igualando el beneficio neto esperado (valo del nodo inicial) con el beneficio
neto esperado con la informacin a priori, obtenemos:
3230-K'-3230
K'=
o sea, el valor esperado de la informacin muestral es nulo, VEIM - 0. Esto obviamente era de esperar desde que se observa en el rbol anterior que, independientemente del resultado que arroje la encuesta, la estrategia recomendable es siempre
A j , la misma que se haba seleccionado en el anlisis apriori.
La ganancia neta asociada a la encuesta es:
GEIM - VEIM - costo del estudio
GEIM= O - 125.000
GEIM- - 125.000
O sea, es una prdida. No vale la pena realizar esa encuesta.
275
Solucin al problema No. 3

Dado que los estudios conducidos son independientes podemos construir el
siguiente rbol de probabilidades:
0,09
0,06
0,06
0,04
0,03
3/4
0,12
0,18
fo
ro
s.
c
om
0,12
un
a.
SeaM = [(e t n e 2 ) U (e t n e 2 )] , nos interesa determinar P (E/M) y P (E/M)

del rbol vemos que P (M/E) - 0,6 X 0,4 + 0,4 X 0,6 - 0,48 y P (M/E) - 0,2 X
X 0,8 + 0,8 X 0,2 = 0,32 aplicando la frmula de Bayes tenemos que
on
t
P (M/E) P (E)
P (M/E) P (E) + P (M/E') - P (E')
J_
3
0.48 X 1/4
0.48 X 1/4 + 0.32 X 3/4
.a
dm
yc
P (E/M) =
w
w
P (E/M) = 2/3
de esta manera podemos construir el siguiente rbol de decisiones: (M es el complemento de M) en cuyos nodos terminales hemos indicado la prdida de oportunidad respectiva.
20000
100000
o
o
20000
100000
Resolviendo el rbol se nota que para ei caso en que uno de los estudios
determina xito y el otro fracaso (para el caso en el cual se verifica M) la estrategia
con menor prdida de oportunidad es G (grabar el disco) con un valor asociado de
Bs. 13.333,33.
Ntese que no hemos resuelto la parte del rbol asociada a M; el estudiante
puede hacerlo y de esta forma determinar el VEIM, recordando que para este problema VEIP = POEIAP = Bs. 15.000.
Solucin al problema No. 4
Construyamos el rbol correspondiente:
om
500.000
550.000
0,5
a.
fo
ro
s.
c
250.000)
yc
.a
Construyamos el rbol considerando el estudio muestral:
w
w
b)
POEIAP- 250.000
dm
on
t
un
Con las probabilidades a priori, el mejor curso de accin es A! por ser el de

menor prdida de oportunidad. La prdida de oportunidad esperada con la informacin apriori es:
500000
C238095.53
500000
550000
0,52632
277
Ya habamos determinado que POEIAP - 250.000,

VEIM - POEIAP -POEIM
VEIM = 250.000-248.748,7
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
VEIM = 1251,3
279
Calculemos las P (Ej !e-}) que nos interesan, conocemos

P ( 6 l / E j ) = 0,55 ; P ( e / E 2 ) = 0,50;
P ( e a / E 1 ) = 0 , 4 5 ; P ( e 2 / E 2 ) - 0,50
aplicando la frmula de Hay es tenemos;
/E,) P(EO +P(e,

0,55 X 0,5"
P(EI/el) =
0,55 X 0,5
0,50 X 0,5
P(E2)
= 0,522381
0,47368
P(E2/e2 ) -
0,52632
s.
c
P(E1/e2 ) -
fo
ro
0,47619
P(E2/e, ) =
om
Similarmente se obtienen:
un
a.
Llevando estos valores al rbol se pueden obtener las prdidas de qportunidad asociadas con cada estrategia, tal como se indica.
yc
on
t
Si se observa e{ el curso ptimo de accin ser A t , por ser el de menor prdida de oportunidad asociado.
Si se observa e 2 el curso ptimo de accin ser A 2 por ser el de menor prdida de oportunidad asociado.
d)
P(e ,) - P ( e , / E ( )
P ( E , ) + P (e , /E 2 ) P (E 2 )
w
w
.a
dm
c)
P (e! ) = 0,55 X 0,5 + 0,50 X 0,5 -
0,525
P ( e 2 ) = P ( e 2 / E , ) P ( E t ) + P (e2 / E 2 ) P (E 2 )
P ( e 2 ) = 0,45 X 0,5 +0,50 X 0,5 -
0,475
C.238095,0)
C248748.7)
0,475
(260524,0)
POEIM - 248748,7
278
Ya habamos determinado que POEAP = 250.000,

VEM - POEAP - POEIM
VEM 250.000-248.748,7
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
VEIM - 1251,3
279
BIBLIOGRAFA EMPLEADA PARA EL MODULO II

Investigacin de Operaciones. Editorial
Limusa, Mxico, 1975.
BARCN, Jaime
Teora de la Utilidad, Universidad Central

de Venezuela. Octubre, 1979,
BONINI,C.ySPURR,W.
Statistical Analysis for Business Decisions.

Richard irwing Inc., USA, 1973.
GRANT, E. y IRESON, G.
Principies of Engineering Economy, The

Ronaid Press, Co., USA, 1976.
HOWARD, R. A.
Decisin Analysis: Applied Decisin Theory. Proceedings of the Fourth International

Conference on Operational Research. Wiley
Interscience, USA, 1966.
s.
c
om
ACKOFF, R. y SASIENI, M.
a.
fo
ro
Decisin Analysis in Systems Engineering.

Sistems Concepts: Lectures on Contemporary Approaches to Systems. John Wiley &
Sons, USA, 1973.
.a
dm
yc
on
t
un

IEEE, Transactions on Systems Science and
Cyberneties Vol. Scc No. 3, September,
USA, 1968.
Ri&k Preference. Readings in Decisin Analysis. Stanford Research Institute, USA,
1977.
Decisin with Mltiple Objetives: Preference and Valu Tradeoffs. John Wiley & Sons,
USA, 1976.
MATHESON J. y HOWARD R.
An Introduction to Decisin Analysis.

Stanford Research Institute, USA, 1968.
RAIFFA, H,
Decisin Analysis. Addison - Wesdley, USA,

1970.
RHEAULT, J. P.
Introduccin a la Teora de las Decisiones.

Limusa, Mxico, 1979.
STAEL, C.
A Tutorial in Decisin Analysis. Stanford

Research Institute. USA, 1973.
w
w
KEENEYR. y RAIFFAH.
THUESEN, H. y FABRYCKY, W.
'ineering Economy. Prentice Hall, USA,
281
I
METODOLOGA DEL ANLISIS
DE DECISIONES
Lista de Unidades
El ciclo y las fases del Anlisis de Decisiones.
om
Unidad 10.
s.
c
Objetivos
Al finalizar el estudio del Mdulo III, el estudiante deber estar en capacidad
fo
ro
de:
on
t
un
a.
Aplicar la metodologa del Anlisis de Decisiones a la resolucin de un

caso prctico.
dm
yc
Introduccin
.a
Con todos los elementos que se han analizado durante el desarrollo de este
Curso, esencialmente con:
w
w
- La codificacin de la Incertidumbre inherente a un ambiente o escenario

de decisin,
- La codificacin de las Preferencias de quien ha de tomar la decisin.
Se tiene un cuadro lo suficientemente completo el cual, junto con una Estructuracin adecuada del problema de decisiones que se tenga entre manos, es
suficiente para conducir un anlisis que lleve a la determinacin de la Decisin
ms adecuada para el Decisor.
En este tercer Mdulo se presenta una Metodologa que permite conducir el
proceso de anlisis de decisiones en una forma orgnica, articulada, bien estructurada, de manera tal que, paso a paso se pueda visualizar todo lo concerniente al
proceso relacionando convenientemente todos los elementos que lo constituyen.
Esta metdologa no es el nico camino a seguir en un proceso de anlisis de
decisiones; es una metodologa que ha sido desarrollada por el "grupo de Anlisis
5 Decisiones'1 del Stanford Research Institute y adoptada por los autores de este
lurso por considerarla clara, coherente y lo suficientemente amplia como para
_barcar la mayora de las posibles situaciones leales de decisin.
283
UNIDAD
FASES OEL ANLISIS DE DECISIONES
Ai finalizar el estudio de esta unidad usted estar en capacidad de:

19) Aplicar la Fase Deterrninstica del Ciclo del Anlisis de Decisiones en la resolucin de un caso prctico.
20) Aplicar la Fase Probabiistica del Ciclo del Anlisis de Decisiones en la resolucin de un caso prctico.
21) Aplicar la Fase nformacional dei Ciclo del Anlisis de Decisiones en la resolucin de un caso prctico.
10.2.
La Fase Determinstica
289
289
292
10.2.1, Etapa de Modelacin, .

10.2.2. Etapa de Anlisis
287
s.
c
El Ciclo del Anlisis de Decisiones
fo
ro
10.1.
om
pg
La Fase Probabiistica
294
10.4.
10.3.1. Codificacin de incertidumbre en las Variables Aleatorias. .

10.3.2. Desarrollo de Loteras de Valor
10.3.3. Estudio de la Dominancia Estocstica
10.3.4. Codificacin de la Preferencia al Riesgo
10.3.5. Estudio de la Sensibilidad Estocstica
10.3.8. Estudio de la Sensibilidad al Riesgo
La Fase Inforrnacionai
w
w
.a
dm
yc
on
t
un
a.
10.3.
294
296
297
298
299
300
300

10.4.2. Etapa de Modelacin. ,
300
301
10.5.
Realimentacin en el Ciclo de Anlisis de Decisiones
301
10.6.
La Modelacin
302
10.7.
introduccin al Estudio de Casos
308
10.8.
Caso de Estudio "Plsticos S. A."
309
10.9.
Estudio del Caso "Plsticos S. A."
312
10.9.1. Organizacin de la Informacin del Caso

10.9.2. Aplicacin del Ciclo del Anlisis de Decisiones
312
315
Autoevaluacin
..,
,
337
;
345
285
10.. EL CICLO DEL ANLISIS DE DECISIONES

Tal como dijimos en la Introduccin de este Curso, la intencin es la de presentar una teora normativa de lo que un individuo normal, enfrentado con un
problema de decisiones, deber hacer para seleccionar un curso de accin que sea
consistente con las convicciones y preferencias suyas o de su organizacin.
A continuacin esquematizamos una metodologa o procedimiento que ha
sido establecido por el "Grupo de Anlisis de Decisiones" del Stanford Research
Institute. Este procedimiento no es el nico e inalterable camino para conducir el
anlisis dejn problema de decisiones, pero constituye una forma eficiente de asegurarse que en dicho anlisis han sido considerados coherentemente los pasos
esenciales del proceso previo a la toma de decisiones.
s.
c
om
Como se notar en el estudio del caso al final de este Mdulo, dependiendo

de cada situacin, hay pasos del procedimiento que no ser necesario llevar a cabo
y el orden en el cual hay que seguir esos pasos tampoco es del todo rgido. Todo
depende del problema en particular que se analiza y, por supuesto, de la experiencia del analista, la cual et ;n todo caso muy importante.
a.
fo
ro
En la figura 10-1 se esquematiza el procedimiento. Como vemor 3 trata de

un ciclo constituido de tres fases esenciales ms un bloque de realime. acin que
cierra el ciclo.
w
w
.a
dm
yc
FASE
DETERMINISTLGA
on
t
un
Informacin
Inicial
FASE
PROBABILISTICA
Captacin de
nueva Informa
cin
FASE
INFORMACIONAL
FIG. 10.1 El Ciclo del Anlisis de Decisiones

287
La primera fase, o fase determinstica, comprende aquella parte del anlisis

destinada a la definicin de las variables que intervienen en la decisin, las relaciones que entre ellas existen y el rango de valores que pueden asumir.
La segunda fase o fase probabilstica, contempla tanto la consideracin de las
probabilidades asignadas a las variables de naturaleza incierta, como la consideracin de preferencia al riesgo del Decisor.
La tercera fase o fase informacional, se concreta a la determinacin del valor
de la incertidumbre y a la evaluacin de la conveniencia o no de la obtencin de
informacin adicional. Dependiendo de los resultados que arroje esta fase del anlisis, podr o no iniciarse un proceso de captacin de informacin adicional,
proceso a raz del cual pueden producirse modificaciones, algunas veces sustanciales, en el modelo construido durante las anteriores y por lo menos la asignacin de
probabilidades de alguna variable, sufrir alternaciones.
om
Una vez que se ha incorporado la informacin recolectada, se repiten las tres

fases y de nuevo se llega al punto en el cual se tomar una nueva decisin.
fo
ro
s.
c
Este ciclo se repetir tantas veces como sea conveniente, dependiendo de la

evaluacin que se realiza en la fase tercera.
un
a.
CUADRO 10-1
on
t
FASE DETERMINSTICA
Identificacin de las alternativas
.a
(2)
Delimitacin de la Decisin
dm
(1)
yc
Etapa de Modelacin
w
w
(3)
(4)
Establecimiento de los atributos que servirn para medir los

resultados
Seleccin de las variables del sistema
(5)
Creacin del modelo estructural
(6)
Creacin del modelo de valor
(7)
Creacin del modelo de preferencia temporal
Etapa de Anlisis
(8)
288
Estudio de ia sensibilidad de los resultados a las variables

del sistema
10.2, LA FAOE DETEKMiMSTCA

La fase dsterrrnmstica ônaise, esencialmente, en k elaboracin del diseo
concepta!, desde ur mmo de vista de sistemas, del problema que se tiene entre
manos. Esta fase ro e-ya a cabo en dos etapas, una de modelacin y ote de anlisis,
En el cuadro 10.1 aparecen los pasos a seguir en cada una de ellas. Todos
ss;os pasos aapecfiSoados consiituyeu una gua de trabajo* dependiendo de cada
problema en particular, podr ser lgico seguir a otro orden, o simplemente suprimir alguno de los pasos.
0.2,1. Etapa de Modelacin
om
Durante la etapa de modelacin se representan todas las entidades

involucradas en el problema y se formalizan las relajones que existen entre ellas, sintetizando todo en un Modelo.
Valo
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
En la figura 10.2 podemos observar un esquema en l cual, las variables de estado Sj (i = 1, . . . n), fuera del control del Decisor por
representar a les estado-a izaturaies, junto con las variables de decisin
dj (j - 1,. . . M) por l controladas, producen un resultado que para
l tiene un valor ?, Las variables Sj, dj y el valor v estn relacionados
entre s, segn establece el modelo.
Detallamos a continuados el significado ce cada uno de ios pasos

que, segn el cuadro 1.0.1, hay que seguir en esta etapa de modelacin:
1. La delimitacin d la decisin es siempre el primer paso. Es importantsimo puesto que consiste en la especificacin precisa de
que es lo que hay que decidir. Si simplemente estomos haciendo
s' sobze los yesvlfcados que se obtendrn despus de un
:;;:/:;;b evento, no estamos frente a un problema de decisin; tal vet lo que-tengamos es alguna preocupacin. Estamos
ante un problema de decisin cuando tenemos que optar por
algo, cuando tenemos que comprometer algn recurso, de una u
otra forma.
Por ejemplo, una empresa que presta un servicio a la comunidad
est ante un problema ce decisiones cuando tiene que fijar cul
es la ciriad del servicio que pretende prestar y a qu precio lo
, : orast-ar. S: en vz.&tto. h empresr; e.?,t 'sineiendi: estudios
*^ los equipos que usa o est pronosticando el
289
nivel futuro de venias, puede que est recolectando informacin

til para una posterior decisin, pero no est realmente ante un
problema de decisiones. Si el gerente de la empresa se est interrogando sobre las consecuencias de un posible aumento de tarifas, no est realmente ante un problema de decisiones, mientras
que si debe elegir entre dejar la tarifa al nivel actual o aumentara pe" ejemplo, sn un 35% , entonces s est ante una decisin
que, sin duda, traer consecuencias considerables sobre el beneficio neto de la empresa al cierre del ao.
2. La identificacin de alternativas equivale a responder cules son
los posibles cursos de accin, qu alternativas tiene el Decisor.
Este es un paso de suma importancia, porque la omisin de una
alternativa viable puede complicar o falsear la toma de decisiones. La inclusin de mayor nmero de alternativas posibles conduce generalmente a mejores decisiones.
yc
on
t
un
a.
fo
ro
s.
c
om
3. E establecimiento de los atributos que servirn para medir los

resultados que reflejan ios objetivos del Decisor constituye la
forma en la cual ste elige medir la deseabilidad de tales resultados.
En el problema de la aceptacin que pueda tener un producto
en el mercado de consumo, un atributo que medira el xito del
negocio sera el nivel de ventas anuales, otro podra ser el beneficio neto anual. En un problema de salud pblica, es algo complicado elegir estos atributos; sin embargo, ante la necesidad de
hacerlo, un buen atributo podra ser, por ejemplo, el ndice de
mortalidad, o bien la esperanza de vida al nacer; tambin se
puede optar por una combinacin de varios atributos.
w
w
.a
dm
4. La seleccin de las variables del Sistema constituye una tarea

que, en la medida en la cual tratamos con sistemas ms complejos, rns difcil se torna.
Se trata de hecho, de un proceso en el cual se eligen las variables
que rigen el sistema, por lo cual, la dificultad est directamente
relacionada con el nmero de las entidades que lo conforman.
Ntese que hemos dicho "elegir" y no "determinar" las variables del sistema; esto tiene que ver con el carcter mismo de las
situaciones reales de toma de decisiones, en las cuales difcilmente se trata con sistemas fsicos regidos por leyes ms o
menos precisas,
No existe una prescripcin exacta acerca de la forma en la cual
se deben elegir las variables del sistema; podemos sin embargo
decir que, ser necesario fijar la atencin sobre aquellas que ejercen influencia sobre el resultado obtenido, determinando consecuentemente el valor de v; por ejemplo, en el problema de la
introduccin de un nuevo producto, el precio en el mercado es
una variable determinante. Son importantes tambin la calidad
del producto, la publicidad, la capacidad de la planta productora, el nivel de ingreso del pblico, la saturacin del mercado, la
red de distribucin, el costo de ia materia prima, etc.
En la figura 10.2 se pudo notar que las variables elegidas se dividen en dos grupos: las s, que son aquellas sobre las cuales el
Deciso uo tiene control alguno, o sea, las que estn determinadas por el ambiente, por la naturaleza; stas son denominadas
290
variables de estado o variables ambientales.

El segundo grupo, el de las d est constituido por las variables de
decisin; stos son totalmente controladas por el Decisor. En el
ejemplo anterior son variables de decisin e precio del producto, el tipo e intensidad de la campaa publicitaria y otras.
om
En el proceso de seleccin de variables esta implcita la fijacin

de los valores nominales de las mismas y su rango de variacin.
El Decisor, o los especialistas que l designe, darn estos valores.
Para las variables de decisin d 5 estos valores representarn la
percepcin que a prori tiene el Decisor acerca de las distintas
alternativas o cursos de accin; mientras, que para las variables
de estado %, ios valores dados reflejan la inceridumbre en ellas
implcita. Aun cuanto en esta Fase Detennmstica no se indague sobre la distribucin de probabilidad de cada una de las
variables de estado s,., se procura fijar su media o valor esperado
y sus extremos (dcimo y nonagsimo fractil).
un
a.
fo
ro
s.
c
5. La Creacin del Modelo estructural consiste en la especificacin

de todas las relaciones entre las distintas variables previamente
definidas. Estas relaciones, generalmente, toman la forma de
ecuaciones matemticas y/o de sentencias lgicas y son susceptibles, casi siempre, de ser organizadas en forma de un programa
de computador, lo cual es sumamente importante para efectos
de clculo,
dm
yc
on
t
6. La creacin del modelo de valor o modelo de valoracin es prcticamente una prolongacin del paso (3), o sea, una vez que el
Decisor ha elegido los atributos mediante los cuales va a medir
los resultados, tiene ahora que asignarles un valor, ponderarlos.
w
w
.a
Establecer una norma sobre cmo deben valorarse los atributos

es imposible, todo depende de la situacin y del Decisor. Supongamos por ejemplo, en el campo militar, el caso en el cual se
desea evaluar los resultados de una accin de guerra; dependiendo del Decisor, los atributos elegidos podran ser: A = Kilmetros cuadrados de terreno enemigo ocupado, A2 = nmero de
aviones enemigos derribados, A3 = nmero de prisioneros capturados, A4 = rango de ios prisioneros, A5 = nmero de aviones
derribados por el enemigo, A6 = cantidad de poblacin civil
sometida por el enemigo, A7 = nmero de blindados destruidos
al enemigo.,, y as podramos seguir enumerando. Crear un
modelo de valor consiste en asignarle un valor relativo a esos
atributos, por ejemplo, un Decisor podra evaluar el xito de
una accin mediante el parmetro:
A,
A,
A 5 - A,
otro podra elegir:
291
A2 * A 3 ' A 7
A5 (A6)2
A5 ^ O
Ô
como vernos, para el segundo Decisor es mucho ms importante

la propia poblacin civil que para el primero; igualmente, le da
menos importancia a las tierras ocupadas y tambin incluye en su
modelo de valoracin a los blindados, que carecen de importancia
para el primer Decisor.
fo
ro
s.
c
om
En un ejemplo concerniente a un proceso de seleccin de los aspirantes al primer semestre de una determinada carrera universitaria, podramos mencionar ios siguientes atributos: A, - promedio de calificaciones sn los estudios medios, A2 - nivel socioeconmico del aspirante, A 3 = nivel obtenido en la prueba psicomtrica, A4 = calificacin obtenida en la evaluacin del curso propedutico. Un modelo de valoracin posible sera:
log A2
dm
yc
on
t
un
a.
La creacin del modelo de preferencia temporal es necesaria

cuando los resultados de la accin tornada no se producen en un
nico instante sino que estn escalonados en el tiempo. La creacin del modelo de .preferencia en e! tiempo consiste en elegir un
mecanismo que permita conducir a un nico nmero los valores
de los distintos resultados, que se han producido en los distintos
instantes de tiempo.
w
w
.a
En la seccin 64 de la Unidad 6 se trat en forma suficientemente extensa, todo lo necesario para la, creacin del modelo temporal.

Una vez cumplida la etapa de Modelacin se procede a efectuar un
anlisis cuyo objetivo es observar cmo influyen en el valor del resultado, las fluctuaciones de las distintas variables dentro de sus rangos
establecidos. Este proceso se denomina anlisis de sensibilidad y esencialmente consiste en fijar el valor de un grupo de variables y, modificando el valor de las restantes, observar las variaciones del valor del
resultado.
El anlisis de sensibilidad puede efectuarse tanto sobre las variables
de estado corno sobre las de decisin, sin embargo, normalmente se
efecta solamente sobre las primeras.
El proceso es como sigue; se selecciona una de las variabes ^(1 = 1,
. . . N) y se hace fluctuar su valor dentro del rango establecido. Para
cada uno de ios valoras que toma la variable ^ se observa el valor del
resultado, esto, Mayado a una grfica, sera como indica la figura
292
Fig. 10-3
fo
ro
s.
c
om
De esta manera se puede detectar cuan importante es la incertidumbre en la variable analizada; en general se cumple que en la medida en
la cual v es mayormente afectada por las fluctuaciones de s^, en la
misma medida es importante codificar detalladamente la naturaleza
incierta de Sj.
on
t
un
a.
Esta manera de conducir el anlisis de sensibilidad, haciendo fluctuar

un determinado grupo de variables habiendo fijado otras que pueden
hasta ser dependientes de las ftuctuantes, es usual en el Anlisis de
Decisiones, pudiendo sin embargo, no tener validez en otro tipo de
estudios.
v = v(r, s, t , x , y , z ) .
w
w
.a
dm
yc
En la figura 10.4 podemos observar los resultados de un hipottico

estudio de sensibilidad efectuado sobre seis variables, no necesariamente independientes, que definen un modelo de valor,
2
3
4
Vaor
Nominal
o media
ra. 10-4
Digitalizado por Liz Zambrano
para www.admycontuna.mforos.com
293
Y0 es ei valor que tc:na V cuando ?;, s, t, x,, y, z, valen respectivamente v 0 , s e , t 0 ; x 0 , y j 20 que es su correspondiente valor nominal o
medio. Como vemos; Y es poco afectado por x y por t, mientras que
las variaciones de y r son realmente importantes.
Las variables que afectan notablemente en su fluctuacin, al valor de
V, se suelen denominar variables cruciales.
Si sucediera que V es insensible a las fluctuaciones de s, entonces
esta ltima puede considerarse fija en su valor nominal, con la consecuente simplificacin del pi-oblerna.
om
Es importante determinar tambin, para los distintos valores que

toma la variable s^ cul es k alternativa o curso de accin que es ms
favorable al Decisor y cunto vale el resultado asociado a esta alternativa. En este proceso se detectarn aquellas alternativas que nunca
son favorables, independientemente del valor que torne siestas alternativas se denominan dominadas y pueden ser suprimidas simplificndose e?, problema.
dm
yc
on
t
un
a.
fo
ro
s.
c
El proceso expuesto se ha referido siempre a la consideracin de una

variable a la vez, fijando las restantes; pudiera suceder sin embargo,
que un par (o un grupo ms numeroso) de variables, al variar juntas
produjeran iva efecto que por s solas no causaran. El anlisis de sensibilidad conjunta no es sencillo de realizar, sobre todo cuando se
trata con sistemas complejos; sin embargo, en determinadas ocasiones, pudiera ser de mucKa importancia efectuarlo. De todos modos,
en problemas complejos, ijada puede hacerse sin la ayuda del computador: en cada situacin io que hay entonces que juzgar es cuan costoso puede resultar realizar un determinado anlisis de sensibilidad,
en comparacin con los beneficios (simplificacin del problema) que
pueda traer.
.a
10.3. LA FASE PROBABILISTICA
w
w
Una vez que se ha concluido la fase determinstica, se tienen seleccionadas,

entre el conjunto de variables de astado (s^, aquellas que el anlisis de sensibilidad
ha permitido calificar de cruciales. El propsito fundamental de la Fase Probabilstica es hacer explcita la incertidumbre inherente a estas variables.
En el cuadro 10.2 aparecen las etapas y es pasos fundamentales a seguir en
esta fase; como vemos, al igual que en la fase determinstica, formalmente se contempla una etapa de modelacin y otra de anlisis; sin embargo, en la explicacin
que sigue, no nos ceiremos rgidamente a este esquema formal, sino que, para
mayor claridad en ia explicacin, describiremos ios distintos pasos concatenados
lgicamente, independientemente de si corresponden a Ja etapa de modelacin o a
la de anlisis.
10.3.1. Codificacin de incertidumbre en las Variables Aleatorias
El primer paso que describiremos consiste en la codificacin de la
incertidumbre de las variables de estado {%) consideradas cruciales en
la fase detecmmstiea; para ello se deben hallar las distribuciones de
probabilidad de las mismas, para io cual se puede emplear la metodologa de asignacin descrita en la Unidad 4, del Mdulo L
CUADRO
FASE PRCBABILISTICA
Etapa de Modelacin
Codificacin de la incertidumbre de las variables de

estado aleatorias
('2)
Codificacin de la preferencia al riesgo
un
a.
fo
ro
s.
c
om
(1 )
on
t
Etapa de Anlisis
Desarrollo de las Loteras de valor
(4)
Estudio de la dominancia estocstica
(5)
Estudio de la sensibilidad estocstica
dm
.a
w
w
(6)
yc
(3)
Estudio de a sensibilidad al riesgo
Como se recuerda, la asignacin de probabilidad que se hace de cada

variable, est condicionada a un estado de conocimiento o informacin, el cual, si lo designamos con E, la distribucin de probabilidad
de la variable s, queda expresada as: f (s./E). La correspondiente
funcin de distribucin acumulada se expresa como F (S/E).
Para fines prcticos vale la pena recordar, que, tal como describe la
figura 10-5, una curva de distribucin acumulada continua puede ser
aproximada a una funcin escalera de forma que los valores correspondientes a cada tramo, puedan ser llevados a las ramas del rbol de
295
decisin. Basta tener el cuidado de que la funcin escalera sea construida de modo que las reas indicadas con el mismo nmero en la
figura, sean aproximadamente iguales.
fo
ro
Fig. 10-5
s.
c
om
Curva resultado de
la codificacin
on
t
un
a.
Es necesario tambin, distinguir entre el grupo de variables %, aquellas que son independientes entre s; para stas la distribucin de probabilidad correspondiente ser simple. Para el resto de las variables
sern consideradas distribuciones condicionales.
dm
yc
10.3.2, Desarrollo de Loteras de Valor
w
w
.a
Una vez que se conocen las distribuciones de las Sj, dado que de la
fase determinstica se conoce el modelo estructural que relaciona V
con el conjunto de las s^ y las dj, es posible, para cada una de las
alternativas o cursos de accin, encontrar la distribucin de probabilidad de V.
En ia figura 10-6 se esquematiza lo dicho; en ella, Jes un particular

valor del vector:
f(V/E)
M ODE LO
f(S /E)
6
d
296
d - {cL, d , , . . d j f . . . d M ) de variables de decisin, el cual representa una particular alternativa o curso de accin.
A la funcin de distribucin f (V/S) se le designa como Lotera de
valor y representa a probabilidad que tiene el Decisor, de obtener un
resultado cuyo valor sea V. una vez que ha decidido el curso de
accin d,
La determinacin de esta Lotera de valor, en la prctica puede conducirse mediante mtodos analticos, mediante mtodos de simulacin o bien construyendo un rbol de probabilidades que concatene
toda? las variables aleatorias involucradas y, de esta forma, aproximadamente, deducir la distribucin de la variable V.
10.3.3. Estudio de la Dominancia Estocstica
fo
ro
s.
c
om
En principio, debera poderse disponer de una Lotera de valor para

cada posible alternativa o curso de accin; sin embargo, en ios casos
en los cuales estas alternativas son numerosas, conviene examinar previamente cules son las alternativas realmente importantes y deducir
las loteras de valor slo para ellas. Claro est, esto no es siempre
sencillo de hacer.
on
t
un
a.
Una vez que para cada una de las alternativas consideradas se tienen
construyas las Loteras de valor, el analista debe determinar qu
curso de accin recomendar al Decisor, bajo el estado de informacin
que hemos designado E,
w
w
.a
dm
yc
Supongamos que tenemos que decidir entre dos loteras (Al y A 2 )

como las que aparecen representadas en la figura 10-7;
P{V
Fig. 10-7
297
E obvio que cualquiera que sea el valor de t, tiene mayores probabilidades de ser excedido por el valor v con la alternativa A2 que con la
alternativa A}. Este hecho suele denominarse como Dominancia
Estocstica; en nuestro ejemplo, la alternativa A2 domina estocsticamente a la AI ,
fo
ro
s.
c
om
En la figura 10-8 se presenta un caso en el cual no hay dominancia

estocstica; en ste la eleccin no es obvia y conviene entonces considerar la actitud ante el riesgo del Decisor, para as evaluar de nuevo
las alternativas bajo ese ngulo. Hay que notar que hasta los momentos hemos supuesto un Decisor neutral al riesgo.
Fig. 10-8
.a
dm
yc
on
t
un
a.
P(v
w
w
10.3.4. Codificacin de la Preferencia al Riesgo

Considerar la actitud del Decisor ante el riesgo significa codificar sus
preferencias al riesgo, o sea, construir su curva de utilidad, tal como
fue expuesto en la Unidad 7 de este Curso. (Ver figura 10-9}
Para cada una de las Loteras de valor deducidas anteriormente puede entonces determinarse un ndice, que es la utilidad esperada de la
Lotera de valor y que puede calcularse multiplicando la utilidad
correspondiente a cada posible valor de la Lotera por la probabilidad
correspondiente a ese valor y sumando para todos los posibles valores.
Si un Decisor, entonces, es consistente con los axiomas de la lotera
de la utilidad, debe preferir, estre todas las loteras, aquella de mayor
utilidad esperada. Esta es la manera de resolver el caso en el cual no
se verifica la dominancia estocstica de una alternativa sobre otra.
Dado que el ndice "utilidad esperada" usuaimente carece de significado directo, una. vez calculada la utilidad esperada correspondiente
a una Lotera, mediante la curva de utilidad, puede determinarse qu
298
fo
ro
s.
c
om
CODIFICACIN CURVA DE UTILIDAD

{PREFERENCIA AL KIESG)
Figura 10.3
yc
on
t
un
a.
valor corresponde a esa utilidad esperada, este valor Be le denomina

el Equivalente Cierto de la Lotera y, como se sabe, est expresado
en las unidades del atributo que fue elegido en la fase determinstica,
como medida de la deseabilidad del resultado, por lo cual, obviamente, s debe ser significativo para el Decisor.
dm
10.3.5. Estudio de la Sensibilidad Estocstiea
w
w
.a
En la fase daterrninEtica se estudi cmo se reflejaba, sobre el valor

del resultado, a oscilacin alrededor de su valor nominal de una de
ias variables de estado.
La sensibilidad estoestica indica la forma en la cual vara el equivalente cierto cuando, a una de las variables de estado, se le hace tomar
ios distintos valores comprendidos en su rango, permaneciendo, las
restantes variables, gobernadas por sus respectivas funciones de distribucin de probabilidad (condicionadas estas funciones a la variable
que se estudia).
A pesar de que una vez que se han comparado las distintas loteras de
valor, se sabe cul de ellas as la de mayor equivalente cierto y por
ende, cul es el curso de accin ms apropiado, es necesario conducir
el anlisis de sensibilidad estoestica debido a que el modelo que se
ha construido, de antemano, por definicin, se sabe que no es perfecto; son muchas las aproximaciones y suposiciones que se hacen para
su construccin. Esto significa que si la decisin es muy sensible a las
fluctuaciones de una de ias variables, por ejemplo, podr justificarse
un perfeccionamiento del modelo que representa esa variable. De la
misma forma, variables que durante la fase determinstica parecan
tener una gran importancia, resultan msigniicantes a raz dei anlisis
de sensibilidad estestiea.
299
En fin, es importante sealar que en la prctica se procede as:

a) Para cada valor de a variable ^ analizada se determina el valor del
"mximo equivalente*' y la alternativa o curso de accin a l (o
ella) asociado (a).
b) Se llevan a una grfica estos valores y se tendr as la sensibilidad
estocstica de la variable si.
Con respecto al anlisis de sensibilidad estocstica conjunta, que considera ms de una variable a la vez, se puede decir algo similar a lo
sealado cuando nos referimos a la fase determinstica, slo que en
esta ocasin la complejidad es an mayor debido a que no nos limitamos a determinar un simple nmero sino una funcin de distribucin.
1.3.6. Estudio de la sensibilidad al riesgo
fo
ro
s.
c
om
Finalmente, pudiera justificarse en un determinado caso, efectuar un

anlisis de sensibilidad al riesgo, esto es, la determinacin de cmo es
afectado el valor del equivalente cierto de las alternativas ms favorables, con la variacin de la actitud ante el riesgo del Decisor. En este
Curso no nos detendremos sobre este punto.
a.
10,4. LA FASE INFORMACIONAL
yc
on
t
un
Esta tiene por objeto estudiar si vale la pena o no llevar a cabo un proceso de
captacin de informacin adicional antes de decidir un determinado curso de
accin, a fin de eliminar incertidumbres en algunas de las variables aleatorias.
w
w
.a
dm
Esta fase constituye una gua mediante la cual el Decisor puede orientarse
para mejorar su estado de informacin y consecuentemente su decisin. Es decir,
mediante esta fase, se puede determinar cul es el costo de la incertidumbre en las
variables de estado que en la fase profaabilstica se revelaron importantes y, de esta
forma, evaluar si se est dispuesto a pagar un determinado precio para eliminar o
reducir tal incertidumbre.
Como usted recordar, en la Unidad 9, Mdulo II, se trat extensamente el
tema del valor de la informacin, por lo cual no nos detendremos aqu a explicar
los procedimientos de clculo para la evaluacin de los distintos parmetros.
En el cuadro 10-3 aparecen las distintas etapas que contemplan la fase informacional.
El primer paso a seguir es la determinacin del valor de la informacin perfecta; a este proceso se le designa como medida de la sensibilidad econmica y se efecta para cada una de las variables de estado
consideradas. Si una variable muestra una alta sensibilidad econmica, entonces ser la primera candidata a ser explorada en cualquier
programa de captacin de informacin adicional; si en cambio, el
valor de 1?. informacin perfecta concerniente a la variable, es bajo,
puede no valer la pena hacer ninguna investigacin adicional. Este es
300
CUADRO lC-3
FASETNFOBMACIONA
(1)
Medida d? la sensibilidad economice, {determinacin de!

valor de la eliminacin de la meertidumbre en las variables aleatorias)
Etap do Modelacin
Exploracin de las distintas alternativas pafa la captacin de
informacin adicional
un
a.
fo
ro
s.
c
om
(2)
on
t
uno de ios motivos por los que es importante determinar el valor de

la informacin perfecta.
w
w
.a
dm
yc
Otro motivo es el hacho de que el valor de la informacin perfecta es

el lmite mximo a pagar por cualquier informacin no perfecta. Obviamente, si obtener cualquier informacin tiene un costo mayor que
el valor de la informacin perfecta, no tiene entonces ningn sentido
adquirirla.
10.4.2, Etapa de Modelacin
En esta etapa el Decisor, junto con el analista, deben identificar las
alternativas de captacin de informacin que sean relevantes y ambos
debern tambin elegir enere realizar entrevistas, encuestas, contratar especialistas, efectuar experimentos de laboratorio, etc., seleccionando el programa que, ai menor costo, traiga mayores beneficios a
la toma de decisiones.
10.5. REALIMENTACION EN EL CICLO DE ANLISIS DE DECISIONES
Una vez que se decide llevar a cabo un determinado programa de captacin
de informacin adicional, queda entonces solamente iterar en el ciclo, para revisar
de esta manera las asignaciones de probabilidad de las distintas variables aleatorias,
realizadas en la fase probabilstica.
Tambin es factible que con la nueva informacin aparezcan nuevas alternativas, o quede mejor dei;:nit?.. la decisin; en ese caso se producirn tambin cambios en el modelo determim'stico.
301
De esta forma, el cielo de anlisis de decisiones puede repetirse cuantas veces

sea necesario obteniendo en cada iteracin, un modelo ms real de la situacin o
de decisiones, que se tiene entre manos.
10,6. MODELACIN
Como se ha podido notar a travs de las anteriores secciones, en la conduccin de un anlisis de decisiones se construyen sucesivamente distintos modelos,
cada uno representativo dal problema en sus distintas fases de anlisis. Tambin se
l>iab: o'; HnivziQ ^v ^G^FIS vaziabi-ac son j;ep<:oooEtadas por un modelo; la relacin
ente ks distintas variables es cambien representada por un modelo, las preferencias ante el nesgo son tambin representadas por un modelo y, en fin, cada vez
que se efecta una iteracin en el ciclo del anlisis de decisiones se logra tambin
un modelo "ms perfecto", ms aproximado a la situacin real que se desea representar.
fo
ro
s.
c
om
Dado que la idea de "Modelo" aparece en forma tan reiterada en este Mdulo y dada tambin su importancia,, se ha querido, antes de entrar en la seccin
dedicada al "Estudio de Casos", incluir esta seccin denominada "Modelacin",
en la cual se vern lincamientos generales tiles a la construccin de un modelo y
se s&alazn adems algunos modelos, los cuales, por la frecuencia con que aparece 9tf h ^ttka ?v3R&atai6nt6 ^ jccssiiuavn do utilidad.
.a
dm
yc
on
t
un
a.
En el estudio de cualquier situacin real que nos ocupe recurrimos a los modelos porque resulta mucho ms econmico y menos comprometedor, hacer ensayos o pruebas sobre el modelo, que sobre la situacin misma. Antes de que el
arquitecto decida el diseo definitivo de un determinado edificio, ha realizado un
nmero considerable de bocetos, dibujos y hasta una maqueta, la cual le ha permitido hacerse una idea lo ms aproximada posible de la realidad que le concierne.
Evidentemente, si ao hiciera esto, sino que estuviera obligado a esperar la construccin del edificio ideado para tener una visin del resultado, no sera nada fcil
hacer correcciones y modificaciones; es ms, podra serle imposible.
w
w
La importancia de la modelacin o construccin de modelos radica en que el

procedimiento de ensayo y error no es un instrumento aconsejable cuando est
eo juego el xito de uaa empresa o cuando el error es tan costoso que pueda
entenderse como desastre. Cuando ste es el caso, es preferible ensayar sobre un
modelo.
Los modelos son una aproximacin de la realidad en la cual se consideran
solamente las cosas que son esenciales al objetivo perseguido.
E:dti: aisontos tipo:; de modelo; eo el cuadro 10,4 se presenta un resumen
extrado del texto de Murick y Ross, reportado en la Bibliografa. Como vemos,
en teora pueden existir 3 X 3 X 2 X 2 X 2 - 7 2 tipos de modelos distintos. La
maqueta de nuestro arquitecto ser un modelo descriptivo, icnico, esttico, determinstico y especfico de la realidad, mientras que si quisiramos construir un
modelo representativo de flujo de aviones, carga y pasajeros de un aeropuerto,
seguramente t:eeumra.mos a un modelo predictivo, simblico, dinmico, probabi'lstieo y general. Todo dependa de o que persigamos, de lo que hayamos considerado esencial y de lo que estemos dispuestos a invertir en su construccin, ya que
obviamente es ais costoso y complicado construir un modelo probabilstico que
uno r -terminstico, uno dinmico que uno esttico y as sucesivamente.
302
CUADRO 10.4
LOS MODELOS SEGN
LA GENERALIDAD
.
co
Do lermi rustico^. Tara un determinado valor ce las variables independientes hay un nico valor
de las variables dependientes. Ej,
Los modelos de la mecnica el asi
ca
ro
s.
Dinmicos, Consideran <?l tiempo como variable independente. E j . : Los modelos de

pronstico, modelos de series temporales
on
tu
na
.m
fo
Analgicos.. Construido con

elemejitos de comportamiento
anlogo a los elementos reales
que sustituyen Ej.: Simulacin
mediante una red elctrica de!
flujo de dinero en una economa
dm
yc
Simblicos. Emplean smbolos

para describir la realidad. Ej.:
Tocias las situaciones descritas
por una ecuacin matemtica
Probabuticos. Las variables

involucradas pospon un carcter
cstotstico y generalmente tienen asignada una distribucin de
probabilidad. Ej.: Los modelos de
la mecnica estadstica, las modelos de colas
.a
Normativos. Recomiendan la mejor alternativa o estrategia a

seguir. Ej,: Nivel de Inventario ptimo, localizacin ptima de plantas, etc.
Estticos. Na consideran los cambios ocurridos ec-in e tiempo, Ej-: Organigramas, mo

dlos estructurales
Predicivos. Sirven
para predecir; "Si ocurre esto entonces seguir aquello", relacionan
variables dependientes
e independientes. Ej.:
costos de produccin Costo Materia Prima +
Costo Mano de Obra 4Oeprociacin del equipo
Icicos. Conservan as caractersticas fsicas de las cosas que

representan, Ej.: algunos juguetes, planos de un aeropuerto,
maqueLa de un edificio, etc.
LAINCERTIDUMBRE
Descriptivos Dan una

imagen de una situacin
Ei.; organigramas, mapas, etc.
EL TIEMPO
LA ESTRUCTURA
LA FUNCIN
Ce
O
Co
Especficos. Se refieran
a un problema particular,
que forma parte de una
generalidad. Ej.: El modelo de crecimiento dul sector carbonfero
A continuacin reportamos una serie de cuadros donde aparecen diversos

modelos que pueden ser de utilidad a ia hora de efectuar la modelacin de un sistema dado, algunos de estos cuadros han sido tambin tomados del libro de Murdick y Ross,
O
i*
CQ
M
t
om
a.
y
fo
ro
s.
c
o
Cu
fe
un
a.
C
g
(t
on
t
G
O
yc
a
-,-
dm
O
cd
!X
.a
ta
o
ea
O
W02
< w
w
w
TJ
a
E
c
11
o
.C
o ^
Q.
a -
O)
5i M
T3 c
5-1
0>
ex, a a
S
O
CQ
O
(,]
v,
s -g I
^
304
a -o
MODELO DE COLAS
REPRESENTACIN MATEMTICA
PRESENTACIN PICTRICA
Llegadas segn Poisson.

Tiempo de servicio distribuidos exponencialmente
AT
Una yola estacin de servicio
X promedio del nmero

de llegadas por perodo
( O OO OO
fo
[I promedio del nmero

de servicios completos
en un perodo
.m
1.0
na
p (i O
on
tu
T ~: perodos
Promedio de
longitud de la
fila
.a
dm
yc
longitud de
la fila
A / ( - X)
ro
Poblacin
\'m?ro promedio
de unidades eri -
s.
co
P [ n llegadas en T ] :
Encontrar la longitud
promedio de una cola
o fila de espera y el tiem
tiempo medio de espera
de una unidad en la cola
NOMENCLATURA DE LAS
VARIABLES
OBJETIVO
Perodo promedio
de espera de una - 1 (//- X)
unidad en el sistema
05
MODELO DE FLUJO GRFICO
NOMENCLATURA DE LAS
VARIABLES
REPRESENTACIN
MATEMTICA
co
REPRESENTACIN PICTRICA
.m
fo
Variables independientes:
Beneficio de la inversin
na
C Inversin fija
on
tu
Variable dependiente.
.a
dm
yc
i Inversin
Relacionar recprocamen"
te las variables en una situacin compleja y derivar una expresin matemtica para las variables
dependiente
ro
s.
OBJETIVO
ti
K - costo del mantenimiento de existencias
co
tamao del pedido
s.
Q --
REPRESENTACIN MATEMTICA
REPRESENTACIN PICTRICA
8 costos de pedidos
ro
Encontrar el ordon econmico

Cantidad por intercambio de costos de existencia
y de pedidos, a fin de
aminorar el costo del
sistema
NOMENCLATURA PARA LAS

VARIABLES PERTINENTE
fo
OBJETIVO
1_) . demanda anual

eslimada
na
.m
tiempo
on
tu
TC costo total de!

sistema
.a
dm
yc
Costo
co
O
para el costo mnimo
10.7. INTRODUCCIN AL ESTUDIO DE CASOS

Para ilustrar la aplicacin del Ciclo de Anlisis de Decisiones a un problema
de decisiones, utilizamos el estudio de un caso. Para la solucin del mismo, el analista deber seguir todas las fases del ciclo del Anlisis de Decisiones y arribar a
una recomendacin especfica sobre la decisin ptima para el Decisor.
Antes de proceder a la aplicacin directa del Ciclo del Anlisis de Decisiones,
es conveniente explicar al estudiante qu es un estudio de casos y qu caractersticas presenta.
fo
ro
s.
c
om
El objetivo del estudio de casos es facilitar la comprensin del estudiante,

mostrndole cmo se presentan ios problemas de decisin en la realidad. Un caso
es una descripcin de hechos, circunstancias, condiciones v prcticas, las cuales
caracterizan ei problema de decisin y el medio en que ste ocurre. Un caso
difiere de un problema en que, generalmente, el caso contiene ms de un problema, algunos de los cuales son evidentes y los otros tendr que identificarlos el analista. Otra de las caractersticas de los casos es la verosimilitud de la situacin que
describe. Puesto que un caso es un intento de reconstruir un problema de la vida
real, la redaccin del material est hecha de tai manera, que requiere la reorganizacin de la informacin y la interpretacin de los hechos, incluyendo la evaluacin
de las opiniones expresadas en l.
w
w
.a
dm
yc
on
t
un
a.
Mucha de la informacin suministrada puede ser relevante a la solucin del

caso, pero algunos datos podran no serlo. La intencin, como se ha dicho, es
simular la vida real donde ios problemas no se presentan lgicamente estructurados y organizados. Los casos, generalmente, a diferencia de tos problemas, no
plantean directamente la pregunta cuya respuesta se desea. El caso sugiere cul es
el problema, aunque no necesariamente hace preguntas. Los casos de estudios en
general no tienen una nica solucin, sino que dependiendo del enfoque adoptado
pueden tener ms de una. En nuestro caso las suposiciones y razonamientos que
haga el estudiante y la correcta aplicacin de la metodologa del Anlisis de Decisiones, son ms importantes que la solucin misma.
Con el fin de aprovechar al mximo el estudio de casos, se sugiere seguir los
pasos siguientes:
PASOS PARA ESTUDIO DE CASOS

1.
Una primera lectura rpida del caso completo.
2.
Una segunda lectura, ms lenta y subrayando prrafo por prrafo la informacin considerada relevante.
3.
Organizar dicha informacin, revisando el material subrayado.
4.
Aplicar ia metodologa del Anlisis de Decisiones, empezando por la fase

determmstica, continuando con la probabilstica y luego la informacional.
Los casos para estudio utilizados en este texto son adaptaciones de los publicados por Harvard Business School, Cambridge, Mass. USA. El caso "Plsticos
5. A." es una modificacin del caso "Brunswick Corporation" y el caso "Fertilizantes C. A." es adaptacin del caso "Fertizers, Inc."
308
10.8. CASO PLSTICOS S. A.

A finales del mes de abril, Juan Gmez, Gerente de Mercadeo de Plsticos
S, A., estaba tratando de establecer cuntas unidades de patinetas debera ordenar
producir a la planta, con miras a cubir la demanda de fin de ao.
Las patinetas eran un nuevo producto que Plsticos S. A. haba introducido
al mercado el ao anterior y debido a las dificultades de prediccin de las ventas,
la produccin result insuficiente para satisfacer la demanda. El Sr. Gmez estaba
ansioso de no incurrir en la misma situacin este ao y al mismo tiempo no deseaba excederse en el volumen del lote a. producir, a fin de evitar quedarse con mercanca sin vender.
s.
c
om
Las patinetas que fabrica Plsticos S. A. se destinan al mercado infantil y

juvenil y estn constituidas por una plancha de material plstico con cuatro ruedas del mismo material. El usuario se coloca encima y se impulsa con un pie, hasta
adquirir velocidad; as, que el manejo de la patineta es sumamente fcil de aprender.
un
a.
fo
ro
Las patinetas se fabrican en dos modelos: de lujo y regular. Ambos tienen la

misma estructura y materiales, diferencindose slo en la decoracin y colores
empleados. El modelo regular es unicolor, mientras que el de lujo combina diferentes colores, incluyendo las ruedas.
on
t
El producto se fabrica bajo licencia del fabricante norteamericano, quien

mantiene la patente sobre el diseo.
dm
yc
El contrato de licencia prev el pago de una suma por el derecho a fabricacin, ms un porcentaje sobre el monto de las ventas.
w
w
.a
El primer ao de venta el producto fue promocionado como un juego infantil; sin embargo, las patinetas resultaron tener una gran aceptacin entre los adolescentes, factor que nq haba sido previsto adecuadamente, siendo sta la razn
por la cual el Gerente de Mercadeo estimaba que se haban quedado cortos en la
previsin de la demanda. El nmero total de patinetas vendidas durante el primer
ao fue de 35.000 unidades, de las cuales el 60% corresponda al modelo lujoso.
En base a la experiencia del ao anterior, el Gerente de Mercadeo estaba convencido de las excelentes perspectivas para las ventas del corriente ao pero, an
as. tanto l como Jos Gonzlez, Gerente de Produccin, se sentan inseguros
acerca de cul sera la demanda real del mercado y qu fraccin de ste correspondera a cada modelo. De lo que s estaban seguros era de que a fin de maximizar la
rentabilidad el lote debera calcularse de manera cuidadosa.
La Gerencia de Produccin requera, por razones operativas, que la orden de
produccin estuviese lista para la segunda semana de mayo, as que la decisin
habra que tomarla pronto.
Como un primer paso para determinar el volumen del lote a producir, los
gerentes decidieron revisar las estructuras de costos para los dos modelos.
309
La maquinaria de produccin existente, adquirida a un costo de Bs. 500.000,

funcionaba satisfactoriamente y tena una capacidad de produccin de un total de
150.000 patinetas por ao, de cualquier clase de modelos.
Sin embargo, si la produccin aumentara a un nivel entre 150.000 y 200.
unidades, se requerira una inversin adicional de Bs. 150.
Para aumentar la produccin por encima d las 200.000 unidades anuales, se
requerira de Bs. 550.000 en adicin a los Bs. 150.000 ya mencionados.
Para realizar clculos de costos, Plsticos S. A. acostumbraba amortizar completamente las maquinarias en el ao en que se las adquira.
La Gerencia de Mercadeo planeaba vender las patinetas a los siguientes pre-
Bs. 55
Modelo Regular:
Bs. 43
s.
c
ielo de Lujo:
om
:ios:
fo
ro
Los costos directos de los modelos eran estimados en Bs. 25 para el modelo
regular y Bs. 32 para el de lujo.
un
a.
En adicin a los costos directos, se estimaba que el 9% del margen bruto

{para ambos modelos) se requera para gastos de ventas y licencia, mientras que
un 3% adicional se requerira para promocin y publicidad.
w
w
.a
dm
yc
on
t
Habiendo revisado los costos involucrados, los gerentes dirigieron su atencin

al problema de la demanda, independientemente de la incertidumbre acerca del
nmero de unidades a producir, ellos descartaban la posibilidad de competencia
por parte de otro fabricante. Adicionalmente, dndose cuenta de que las patinetas
constituan una novedad y una moda, concluyeron que la demanda debera comportarse de manera similar a la de tantos otros productos que surgen y se imponen
hasta que el pblico se cansa de ellos, y, por lo tanto, la demanda desciende bruscamente. Debido a la extrema incertidumbre acerca de estos factores, se decidi
concentrar el anlisis en un solo ao.
Consultado el vendedor "estrella" de la compaa, estim que la demanda
media podra estar alrededor de 150.000 unidades, pero que con certeza no bajara de 50.000 y que de ser muy alta, no sobrepasara las 300.000 unidades. Tambin indic que haba 1 posibilidad en 4 de que la demanda sera al menos de
190.000 unidades y 3 posibilidades en 4 de que sera al menos de 125.000 unidades.
A fin de determinar la cantidad de unidades a ordenar de cada modelo, los
gerentes resolvieron que deberan estimar qu porcentaje de la demanda corresponda a cada modelo. Despus de la discusin correspondiente, se pusieron de
acuerdo en que el porcentaje de la demanda correspondiente a cada modelo era
independiente del nivel de la demanda total. El razonamiento que se hizo para
llegar a esta conclusin fue que el comprador se decidir por un modelo en particular, bsicamente por su propio gusto y por las caractersticas y tal decisin no
estar influida de manera alguna por el nmero total de unidades vendidas. Continuando la discusin convinieron en que el modelo de lujo podra absorber, probablemente, el 40 % de la demanda total, aunque podra elevarse hasta un 60 % , sin
embargo, *n ningn caso crean que podra bajar del 30 %. Adicionalmente coin-
310
cdieron en que habra un 75 %de posibilidades de que el porcentaje del mercado

para la de lujo fuese 45 % y un 25 % de que el modelo de lujo absorbiese el 36 %
de ia demanda total de patinetas.
En estas condiciones los gerentes consideraron que ya disponan de la informacin bsica necesaria para conducir el anlisis, y establecer la estrategia ptima.
El presidente de Plsticos 8, A,, Alberto Ramos, le ha contratado a usted a
fin de que ayude en el anlisis de la decisin-problema. En la reunin sostenida
para discutir -a! asunto en cuestin, el Sr, Ramos le entrega a usted, en adicin a
toda ia informacin anterior, un sumario de las recomendaciones y sugerencias
que le han hecho los gerentes de Plsticos S. A. involucrados en el problema, as
como la sugerencia de la presidencia misma.
PLSTICOS S. A.
s.
c
om
Caracas, 27 de Abril de 198

Asunto: Produccin de Patinetas
fo
ro
SUMARIO DE SUGERENCIAS Y RECOMENDACIONES
Gerencia de Mercadeo
un
a.
La Gerencia de Mercadeo estima que el lote debe ser de 225,000 unidades, de

las cuales 130.000 deben ser regulares y 95.000 de lujo
on
t
Gerencia de Pro-duccin
yc
La gerencia de Produccin recomienda una produccin de 150.000 unidades,

de las cuales 70.000 sean de lujo y 80.000 regulares
dm
Presidencia
w
w
.a
La Presidencia considera acertada una produccin de 200.000 unidades

(85.000 de lujo y 115.000 regulares), peus este volumen podra resultar en
excelentes beneficios sin incurrir en una inversin mu,y elevada en maquinaria
Para asegurarse que la decisin que se tome sea la correcta, el presidente

desea que las posibilidades o recomendaciones contenidas en el sumario sean analizadas exhaustivamente.
En respuesta a preguntas que usted Le ha formulado en relacin a la actitud
ante el riesgo de Plsticos S. A., el presidente le seala que la compaa siempre
evita incurrir en riesgos innecesarios y que, por supuesto, procura los mayores
beneficios. Ademas declara que es indiferente enire:
a) Participar o no en una Lotera equiprobable de ganar Bs. 4.000.000 y
perder Bs. 3,000.000.
b) Recibir Bs, 1,250.000 con certeza o participar en una Lotera equiprobable de ganar Bs. 4.000.000 y no ganar nada.
c) Recibir Bs. 2.000.000 o participar en una Lotera equiprobable de ganar
Bs. 4.000.000 y ganar Bs. 1.250,
d) Perder Bs. 300.000 con certeza o participar en una Lotera equiprobable
311
de ganar Bs. 1.250.000 y perder Bs. 300.000.

10.9. ESTUDIO DEL CASO: "PLSTICOS S. A."
10.9.L Organizacin de la Informacin del Caso
La informacin considerada relevante se puede resumir de la manera
siguiente:
TABLA 1
A)
PRECIOS Y COSTOS DE PRODUCCIN
MODELO
REGULAR
-i 3
Costos Variables
(Bs)
25
Costos Promocin y Publicidad
(Bs,
Cosos Totales
(Bs
55
om
(Bsj
s.
c
Precio
MODELO
LUJO
2,8
21,2
34,8
fo
ro
2,2
un
a.
32
TABLA 2
on
t
B)
dm
yc
COSTOS DE MAQUINARIAS
COSTO (Bs.)
150.000
.a
PRODUCCIN (n)
w
w
n <
150.000 < n < 200.000
150.000
n >
TOO. 000
200.000
C) Codificacin de as Curvas de Distribucin de a demanda y de la

fraccin (porcentaje) de la demanda correspondiente a patinetas
de lujo.
Demanda (d)
La informacin suministrada seala que;
La demanda media sera de 150.000 unidades.
El valor rns bajo de la demanda sera de 50.000 unidades.
El valor ms alto de la demanda sera de 300.000 unidades.
312
Habra 1 posibilidad en 4 de que la demanda sea de al menos

de 190.000 unidades.
Habra 3 posibilidades en 4 de que la demanda sea de al menos de 125,000 unidades.
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
La anterior informacin genera cinco (5) puntos de la curva de" distribucin de a demanda total, a partir de los cuales se puede dibujar
dicha curva. La misma se muestra en la figura No. 3,
50
150
TOO
250
Curva de Distribucin
de la demanda total
300
Demanda (d)
en miles de unidades
Figura. 3
Fraccin o porcentaje de la demanda correspondiente al modelo

de lujo (v).
La informacin disponible indica:
Modelo de lujo absorbera el 40% de la demanda total.
E valor ms elevado de v podra ser hasta el 60 %.

313
El valor ms elevado de v podra ser 30 %,

Se le asign un 75% de probabilidad de que el porcentaje de mercado fuese 45%,
Se asign un 25% de probabilidad de que el pocentaje del mercado fuese 36%.
La anterior informacin genera cinco puntos de la curva de distribucin acumulativa de v. La curva obtenida se muestra en la figura No.4.
om
M.O
s.
c
V/
fo
ro
o
1" 0.8
on
t
un
a.
a
&
-o
yc
0,4
.a
0,2
CU
w
w
T3
a
TJ
dm
o1
40
45
Distribucin Acumulativa de v.
50
55
Porcentaje de patinetas
de lu.fti v (% ,i
Fig. 4
Rangos de variacin de las variables,

Rango = (Valor mnimo, Valor medio, Valor mximo)
Demanda total de patinetas (d).
(De la figura 3)
d = (100,150,230).
Porcentaje de la demanda correspondiente al modelo de lujo (v).
314
60
(De la figura 4)
v = (0,33; 0,40; 0.52)
Estos valores corresponden a los fractiles 0,10; 0,50 y 0.90 de las respectivas curvas de distribucin.
10.9.2. Aplicacin del Ciclo del Anlisis de Decisiones
10.9.2.1. Fase Determinstiea
Etapa de Modelacin;
A)
Delimitacin de la Decisin
om
Las decisiones a tomar son dos:
fo
ro
s.
c
- Tamao del lote de produccin. (Cuntas unidades

de patinetas fabricar).
a.
Discriminacin del lote de produccin. (Nmero de

patinetas de lujo y nmero de patinetas regulares).
un
B) Alternativas
yc
on
t
Alternativa I : Producir 225,000 patinetas (95.000

de lujo y 130.000 regulares).
dm
Alternativa II
Producir 150.000 patinetas (70.000

de lujo y 80.000 pregulares).
w
w
.a
Alternativa I: Producir 200.000 patinetas (85.000

de lujo y 115.000 regulares).
C)
Atributos
El atributo escogido es el Beneficio Econmico Neto.
D)
Variables del Sistema

Variables de Decisin:
Nmero total de patinetas a producir
Porcentaje, del nmero total de patinetas,
correspondientes al modelo de lujo.
(n)
(1)
En base a estas dos variables se puede derivar:

Nmero de patinetas de lujo a producir
siendo x - 1 n
(x)
315
- Nmero de patinetas regulares a producir

siendo y = n x
(y)
Variables de Estado:
- Demanda total de patinetas
(d)
Porcentaje de la demanda correspondiente al

modelo de lujo
(v)
Modelo Estructural
fo
ro
s.
c
E)
om
Ntese que la informacin suministrada por el caso indica

ciara y explcitamente que las variables de estado d y v son
independientes, lo cual permitir determinar las distribuciones de probabilidad de la demanda de unidades de lujo
y regulares,
VALOR
on
t
un
a.
RBOL DE DECISIN
w
w
.a
dm
yc
t h. 1
El primer nodo describe la decisin a realizar al escoger n

(nmero total de unidades a producir) y 1 (el porcentaje
de las patinetas correspondientes a modelo de lujo).
El segundo describe la ineertidumbre o distribucin de probabilidad de d (demanda total de patinetas).
El tercer nodo describe la ineertidumbre o distribucin de
probabilidad del porcentaje de la demanda correspondiente
a patinetas de lujo.
El valor se expresa como Beneficio Neto (B) el cual es una
funcin de n, 1, d y v.
La decisin se plantea en trminos de escoger n y 1, de tal
manera que el valor esperado del Beneficio Neto (B) con
respecto a d y v sea mximo.
316
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
El texto del caso establece claramente cules son las alternativas que se desean analizar, por lo tanto el rbol de decisin se puede simplificar de la manera siguiente, discretizando el nodo de decisin:
F)
Modelo de Valoracin.
El Beneficio Neto (B) se calcular como:
Beneficio Neto = Ingresos Costos
B = 1PL V L + P R V R ] - [ CL V'L+ (iV R + C (I1) ]
donde:
P L = Precio de venta de patinetas de lujo.
PR = Precio de venta de patinetas regulares.
V L - Volumen de ventas de patinetas de lujo.
V R = Volumen de ventas de patinetas regulares.
V L = Volumen de patinetas de lujo producidas.
V R = Volumen de patinetas regulares producidas.
C L ~ Costos totales de patinetas de lujo.
C R = Costos totales de patinetas regulares.
317
C (r) - Costo de maquinarias.

Los precios de venta ?r y P RR son fijos y el estudio no considera su variacin.
Los volmenes de ventas V L y V R se estiman como;
VL = Mnimo (produccin de patinetas de lujo, demanda
de patinetas de lujo).
VR = Mnimo (produccin de regulares, demanda de regu-
om
El volumen de patinetas de lujo y regulares producidas son

variables de decisin del problema, mientras que la demanda de patinetas de lujo y regulares son variables de estado.
fo
ro
s.
c
Los costos totales C L y C R se obtienen de la tabla No. 1

"Precios y Cosos Totales".
un
a.
El costo de maquinarias C ( n ) es una funcin discontinua

del nmero total de unidades a producir y se obtiene de la
tabla No. 2 "Cosos de Maquinarias''.
n < 150.000
150.000
si
150.000 < n < 200.00
700.000
si
yc
on
t
si
n > 200.000
w
w
.a
dm
Cfn > =
El caso indica claramente que los costos de maquinarias se

amortizan en el ao en que se adquiere la maquinaria; por
lo tanto, el costo de la maquinaria existente, Bs. 500.000,
ya fue amortizado el ao anterior y por consiguiente no
debe aparecer en el anlisis.
G)
Modelo de Preferencia Temporal

La informacin suministrada seala que el problema
se analizar para un ao solamente y por lo tanto no
se requiere la elaboracin de un modelo de preferencia temporal.
Etapa de Anlisis
H)
318
Sensibilidad de las variables de estado
Procedimiento
Para cada una de las variables de estado se establecen
los valores mximo, medio y mnimo, es decir, un
rango de variacin.
om
Para establecer la sensibilidad de una determinada variable de estado, se fijan el resto de las variables de
estado en su valor promedio y se modifica la variable
cuya sensibilidad se va a analizar en todo su rango (valores mximos y mnimos). Esto nos permite determinar si la decisin cambia al modificarse la variable en
todo su rango. Si la decisin se mantiene, diremos que
la decisin no es sensible a cambios en la variable y en
ese caso fijaremos el valor de la variable en su valor
medio.
s.
c
Sensibilidad de la variable de estado Demanda (d)
fo
ro
Rango de variacin
d = (100,150,230)
\"mn, *-%ied, U m a x J
un
a.
Fijemos entonces v en su valor promedio,
on
t
v = 0,4
w
w
.a
dm
yc
Construyamos el rbol correspondiente.
319
Calculemos ahora el Beneficio para cada una de las alternativas, suponiendo que se producen las diferentes
demandas,
Si d = 100 X 103 entonces
B, - 60 X 15, 8 + 40 X 20, 2 -- 70 X 27, 2 - 55 X
X 3,48 ~ 700 =
El = -2762,0 miles de Bs.
B if - 60 X 15, 8 + 40 X 20, 2 - 20 X 27, 2 - 30 X
X 84, 8 = 168
Bn = 168 miles de Bs,
s.
c
BIII ~ ~ 1456 miles de Bs.
om
B I U = 6 0 X 15, 8 + 40 X 2 Q , 2 - 5 5 X 2 7 , 2 - 4 5 X
X 34,8-150 =
a.
fo
ro
Como se observa de estos valores, en el caso de que

d = 100 X 1G3, tendremos que la mejor decisin corresponde a la Alternativa II (80,70) (reg. luj).
un
Analicemos ahora.d = 230 X 103
yc
on
t
B, - 130 X 15, 8 + 95 X 20, 2 - 700 = 3273 miles de

Bs.
dm
B,,= 3 0 X 15,8 + 70 X 20, 2 = 2678 miles de Bs.
w
w
.a
Bm = 115 X 15, 8 + 85 X 20, 2 - 150 - 3384 miles

deBs.
Como se observa B, u > Bj > Bn entonces para d =

= 230 X a 103 la Alternativa III es la adecuada.
Estos resultados los podemos resumir en el siguiente
cuadro.
d X 103
100
230
320
BI
BU
B ni
- 2762
3273
-1456
2678
3384
Como se observa, al variar la demanda entre su posible rango de valores se tiene un cambio de decisin,
diferentes alternativas ptimas, es decir la demanda es
una variable crucial.
Sensibilidad de la variable de estado Porcentaje demanda patinetas de lujo (v).
Rango de variacin
V - (0;33; 0,4; 0,52)
demanda en valor promedio
d = 150 X 103
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Construyamos el rbol correspondiente.
,'i v 0,33, entonces

00.50
100,50
100,50
321
B ; - 100 X15, 8+50X20, 2-30X27, 2-45 X

X 34, 8-700 =
B = -492 miles de Bs.
B, SO X 15, 8 + 50 X2G, 2 - 2 0 X34, 8- 1578

B u - 1578 miles de Bs.
BIU -100 X15, 8+50 X20,2-15X27,2-35 X
X34, 8-150 =
B IU = 814 mus de Bs.
om
Como puede observarse:

B,, > B 7? . >B T para v - 0,33,
S.S :
s.
c
I i
fo
ro
Si v = 0,52 y analizando el rbol en forma anloga ai

anterior tendremos:
B! = 134 miles de Bs,
un
a.
B n = + 2248 miles de Bs,
on
t
B in = 1324 miles de Bs.
yc
por lo tanto
w
w
.a
dm
B n > B m > B T p a x a v - 0,52
Resumiendo :
(miles de Bs.)
B,
BU
B ni
0,33
-492
Q578)
814
0,52
- 134
(224^
1324
Se observa que la decisin no es sensible a los cambios

en la variable v por lo tanto v no es una variable de estado crudal.
322
CONCLUSIN DEL ANLISIS DETERMINISTICO
RESULTADO ANLISIS
NUEVO RBOL
Q
EH
Variable estado Crucial
Variable Aleatoria
Variable estado no crucial
Colocar en Valor
Nominal
11
on
t
un
VARIAB
w
w
Nuevo rbol
.a
dm
yc
III
'
No se eliminan
alternativas
a.
No hay alternativa Completamente

dominante para todo rango de variacin de las variables de estado
ce
fo
ro
s.
c
om
^
5
RBOL DECISIN
VALOR
323
10.9.2.3. Fase Probabstica

Etapa de Modelacin:
Codificacin de incertidumbre en variables aleatorias
Al final de la fase determinstica se concluy que la nica
variable de estado crucial era la demanda (d), por lo tanto
nicamente consideramos la incertidumbre en esa variable.
om
Para codificar la incertidumbre debemos derivar la curva de

distribucin de la demanda (d) lo cual hemos realizado en
el punto C del apartado "Organizacin de la informacin
del caso" (10.9.1).
1/4
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
Mediante el grfico No, 3 (Curva Distribucin de la Demanda) y utilizando los conceptos sobre discretizacin de curvas, podemos obtener los siguientes resultados.
324
Discretizacin de la Distribucin de la Demanda
A\a
15
om
J5
fo
ro
s.
c
100
250
300
10" X Demanda (d)
yc
on
t
un
50
a.
1/4
dm
Procedimiento para discretizacin de la Curva

Se divide la abscisa en tres regiones:
Cuartil inferior
Intercuartil
Cuartil superior
(2)
w
w
.a
(1)
Se determina el valor promedio haciendo coincidir las

reas de los tringulos as formados.
V A L O R PROMEDIO
PROBABILIDAD
1/4
1/2
1/4
(3) Con estos valores se obtiene la distribucin aproximada discreta, es decir,
325
100
1/4
150
230
Cantida.des en miles de patinetas.
s.
c
om
Nota:
fo
ro
Codificacin de la Preferencia al riesgo
4.000.000
dm
yc
on
t
un
a.
De la informacin suministrada por el presidente de la

compaa podemos inferir la preferencia al riesgo de la
misma, siendo las loteras correspondientes:
w
w
.a
1.250.000
4.000.000
2.000.000
1.250.000
326
1.250,000
1/2
3.000.000
s.
c
om
4 000.000
fo
ro
- 3.000.000
un
a.
Utilizando estos valores se codifica la curva de utilidad

(preferencia al riesgo).
on
t
Procedimiento
yc
Se asignan valores de utilidad a los valores extremos:
.a
dm
u (4.000.000)= 1
u (0) - O
w
w
tomando como referencia estos valores de utilidad obtendremos puntos sobre la curva.
1
1
u (1. 250.000) - - - u (4.000 .000} + u (0)
^
u (1.250. 000)-
de igual forma
1
1
ui (2.000.000) --u (400.000) + y u (125.000)
u (2.000.000) =
u (-300.000) - ~ u (1.250.000) + -i- u (3.000.000)

j
u ( 300.000)
X 1
327
TAmbin de
om
4.000.000
s.
c
~ u (4.000.000) + u (-3.000.000) - O
2
2
fo
ro
Por lo tanto
u (-3.000.000) = - u (4.000.000)
w
w
.a
dm
yc
on
t
un
a.
u (-3.000.000)=-!
C U R V A Db! U T I L I D A D
CODIFICACIN DE LA CURVA DE
UTILIDAD
(Preferencia al riesgo)
328
Etapa de Anlisis
Desarrollo de las Loteras de Valor
Procedimiento
Se establece para cada una de las alternativas con qu probabilidad se obtienen los posibles beneficios para cada uno
de los diferentes valores de la variable de estado, aleatoria
o crucial (d).
Debemos calcular el valor del Beneficio Neto (B) correspondiente a cada valor de probabilidad. De acuerdo con
esto, para la Alternativa I tendremos lo siguiente:
fo
ro
s.
c
om
Alternati a I
w
w
.a
dm
yc
on
t
un
a.
Demanda
100.000
en cuyo caso se obtendr:

B = 60 X 4 3 +40 X 55-130 X 2 7 , 2 -95X 34,8-700 =
2.768 miles de bolvares.
329
es decir, que con probabilidad de 0,25 (p = 1/4), se obtendr una prdida de 2,768 miles de Bs.
Para esta misma Alternativa I se tendr
B = 9 0 X 4 3 + 6 0 X 5 5 - 1 3 0 X 2 7 , 2 -95 X34,8-700 =
= - 372 miles de Bs.
es decir, que con una probabilidad de 0,5 (p =
dr una prdida de 372 miles de Bs.
) se obten-
Y por ltimo con una probabilidad de 0,25 (p - 1/4) se obtendr:
B = 130 X43+92 X 55-130X27, 2 - 9 5 X 34,8-700 =
om
= 3.108 miles de Bs.
un
a.
fo
ro
s.
c
Resumiendo tendremos:
on
t
LOTERA DE VALOR
BENEFICIO
(miles de Bs. )
2768
w
w
.a
dm
yc
ALTERNATIVA
168
- 1456
Procediendo de forma similar, podemos establecer la distribucin de probabilidad del beneficio para las alternativas II
y III. El resumen de resultados se indica a continuacin:
330
168
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
2128
iie mpre a
va siempre domina
minarse la alternati-
UtilMimch os resultados obtenidos j/ des&irollar las loteras de vaor tendremos Ja simiente i&hfa resumen:
BU
BI
BIII
-2768
168
- 1456
i/2
- 372
2128
934
1/4
3108
2678
3384
fo
ro
s.
c
om
1/4
w
w
.a
dm
yc
on
t
un
a.
Con estos valores procederemos a construir la funcin de

densidad para las diferentes alternativas.
B (mBs)
F U N C I N DE DENSIDAD.
332
om
De igual forma podemos granear la distribucin acumulativa de las funciones de densidad.
fo
ro
FUNCIN ACUMULATIVA DEL BENEFICIO
s.
c
3(mBs)
a.
CONCLUSIONES DEL ANLISIS DE DOMINANCIA ESTGCAfTICA
yc
on
t
un
(1) No hay dominancia estocstica entre II y I y II y III.
w
w
.a
dm
Por lo tanto, dado que la Alternativa i nunca supera a la

Alternativa III, sa (I) puede ser eliminada del anlisis y en
consecuencia, k comparacin de alternativas se har entre
Nuevo rbol
RBOL DECISIN
VALOR
383
Sensibilidad Estocstica
Del anlisis anterior se concluy que las alternativas II y
III no tenan ninguna dominancia estocstica; por lo tanto,
para establecer cul resultar la decisin ms favorable, es
necesario determinar, utilizando la curva de utilidad del
Decisor, cul ser el equivalente cierto para cada una de las
alternativas. La decisin nas favorable resultar ser aquella
que maximice el equivalente cierto.
Para el caso de este ejemplo tendremos el siguiente rbol:
Beneficio
<x)
168
Utilidad
(x)
0,1
2128
0,76
om
1/4
0,86
-1456
-0,82
934
0,33
3384
0,96
on
t
un
a.
fo
ro
s.
c
2678
yc
Por lo tanto
0,1 +X 0,76+-XO,86 = 0,62

2
4
u (EC IH ) = -yX (-0,82) +y X 0,33 + y 0,96-0,2
w
w
.a
dm
u ( E C n ) = X
4
en este caso
u(EC u ) > u(EC i n )
por lo tanto la Alternativa II proporcionar al Decisor una
mayor utilidad y en este caso la decisin deber ser producir un total de 150.000 patinetas, 80.000 del tipo regular y
70.000 de lujo.
Fase Informacional
Valor de la Informacin
Supongamos que el presidente de la compaa Plsticos S.
A. quiere contratar una empresa de mercadeo que le proporcione mayor informacin sobre la demanda real de patinetas. Cul sera la cantidad mxima que l debera pagar
por informacin adicional?
334
Para resolver esto se procede de forma anloga a lo indicado en la Unidad 9, del Mdulo II.
El rbol que hay que calcular ser:
Beneficio
u- 1 (mx)
168-K
II
2128-K
3384-K
III
om
1/4
Alternativa
fo
ro
s.
c
siendo k la cantidad que estaremos dispuestos a pagar por

la informacin.
Nota: Unidades expresadas en miles de Bs.
on
t
un
a.
Para calcular k se parte de la consideracin de que la utilidad que obtendremos con el rbol indicado sea al menos
igual a la utilidad sin obtener ningn tipo de informacin,
es decir:
.a
dm
yc
u (mx) < -j- u (168-k) + -s-u (2128-k) + T u (3384-k)
u ( m x ) = 0,62
w
w
por lo tanto
0,62- -i u(168-k)+-i- u (2128-k) + ~ u (3384-k)
para calcular k debemos proceder por tanteo, utilizando la

curva de utilidad.
Si k-100
- 1 x O +lx 0,73 + j 0,92 - 0,6
Si k - 5 0
-jX 0,08+ y X 0 , 7 5 + X 0,92-0,63
>r lo tanto 50 < k < 100
335
Hagamos un nuevo tanteo para k - 70 obtendremos entonces

~ X 0,04 + j x 0,74 + j- X 094, - 0,62
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Por lo tanto, el presidente de Plsticos S. A. lo mximo

que puede pagar por una investigacin de mercado seran
Bs. 70.000,
INSTRUCCIONES
Para el caso propuesto, usted deber aplicar la metodologa del Ciclo del
Anlisis de Dscisiones y conduir con una recomendacin para el Decisor.
Especficamente se solicita que usted realice lo siguiente:
om
Fase Deierminstiea:
(B) Identifique las alternativas,
a.
(C) Establezca los atributos para valorar los resultados,
fo
ro
s.
c
(A) Delimite la decisin.
un
(D) Establezca las variables de decisin y las variables de estado,
dm
yc
(F) Desarroe el Modelo de Valoracin,
on
t
(E) Desarrcle un modelo estructural en forma de rbol de decisin,
.a
(G) Desarrolle el Modelo de Preferencia Temporal.
w
w
(H) Determine las variables de estado aleatorias o cruciales, luego elimine las
alternativas dominadas determinsticamente y simplifique el rbol de decisin.
Fase ProbabiHstica:
()
Codifique las curvas de distribucin de probabilidad de las variables de estado, cruciales o sensibles, y discretice dichas curvas.
(J)
Desarrolle las loteras de valor.
(K) Estudie la dominancia estocstica y elimine las alternativas dominadas estocsticamente.

(3)
Codifique la preferencia al riesgo y obtenga la Curva de Utilidad.
(M) Determine el equivalente cierto de la alternativa ptima.

Fase Informacionah
(N) Determine el valor de la Mcrniaen Perfecta en las variables sensibles.
337
CASO DE ESTUDIO: "FERTILIZANTES C. A."

Fertilizantes C, A. es una compaa que se dedica a la produccin de fertilizantes sintticos de base ntrica.
La divisin de mercadeo de la compaa, en base a un estudio de tendencias
de!, mercado, ha realizado una proyeccin que indica que la demanda de fertilizantes de nitratos se va a expandir despus de varios aos de crecimiento lento. Los
fertilizantes de nitrato son utilizados por os agricultores para enriquecer el nitrgeno natural del suelo. Los dos fertilizantes de base ntrica ms comunes son el
nitrato de amonio y el sulfato de amonio.
El nitrato de amonio (NH 4 NO 3 ) y el sulfato de amonio (NH 4 ) 2 S04 son sintetizados por medio de procesos muy similares.
om
El nitrato se obtiene combinando amonaco (NH 3 ) con cido ntrico (HN0 3 )

mientras que e sulfato se obtiene tratando amonaco ( N H 3 ) en cido sulfrico
(H 2 S0 4 ).
fo
ro
s.
c
El amoniaco y el cido ntrico se obtienen utilizando materiales qumicos

fcilmente disponibles (agua, oxgeno y nitrgeno) y grandes cantidades de energa (gas natural).
a.
El cico de produccin es como se explica a continuacin:
on
t
un
1) Se hace pasar vapor de agua a 650 sobre hierro pulverizado para producir hidrgeno ( H 2 ) .
dm
yc
2) E hidrgeno as obtenido se combina con nitrgeno a elevadas temperaturas (400 C ~ 500 C) y elevadas presiones, para formar amonaco.
.a
3) Finalmente se oxida el amonaco a 300 C para formar cido ntrico.
w
w
En contraste, la produccin de cido sulfrico requiere cantidades muy pequeas de energa,

E proceso consiste en quema)' azufre (S) y disolverlo en agua para formar cido sulfrico
El diagrama de flujo del proceso completo se muestra a continuacin:
C "aior
NO
HNO-,
N H 4 ) 2 S04
Diagrama df Flujo del Proceso
Grfica No. 1
338
El directorio de Fertilizantes C. A. enfrenta un momento de decisiones cruciales: deber la compaa construir una nueva planta, la cual tendr una capacidad anual de produccin de 160.000 toneladas? y si es as, deber la nueva planta producir nitrato de amonio y sulfato de amonio?
Cada compuesto posee ventajas. El nitrato de amonio es un fertilizante de
mayor calidad, puesto que es menos cido y tiene mayor nitrgeno fijo; por lo
tanto, se vende mejor y a mayor precio. Por otra parte, los costos de construccin
y de operacin de una planta para fabricar nitrato de amonio son tambin ms
elevados.
A fin de ayudar en la toma de decisiones, Fertilizantes C. A. ha contratado
sus servicios como Analista de Decisiones. Durante entrevistas sostenidas con el
personal gerencial de la compaa, usted ha logrado obtener la informacin adicional siguiente:
om
Los costos primario: para cada proceso de produccin son los costos variables de los mismos (gas r : tu ral para ambos procesos y cido sulfrico para el de
obtencin del sulfato) y los costos de construccin.
a.
fo
ro
s.
c
La grfica No.2 muestra las cantidades de cada insumo (materiales y energa)

para producir 1 tonelada de cada producto, (productos intermedios y finales, claro est).
CANTIDAD
MATERIAL
(TONELADAS)
CANTIDAD
GAS
MPC
P R O D U C T OS
on
t
NOMBRE
PRODUCTO
CANTIDAD
PRODUCTO
(TONELADA)
16
.a
dm
yc
NOMBRE
DEL
MATERIAL
un
I N S U M O S
H2
NH 3
H:O
w
w
'
.20
144
NH3
40
24
HN0 3
NH3
HNOj
.80
Despreciable
NH4NO3
NH 3
2fi
-"'
H : S 4
.80
Despreciable
( N H 4 ) 2 S04
,23
Cantidades de insumos y productos

Grfico No. 2
Para cada costo (costos de produccin y de construccin), usted ha codificado la distribucin de probabilidad de la variable relevante y ha trazado la curva de
Distribucin Acumulativa correspondiente. Para cada caso ha supuesto que los
valores, bajos medios y altos corresponden a los fractiles 0,05, 0,5 y 0.95 respectivamente.
Todos los costos se medirn en bolvares de 1982. Fertilizantes C. A. desea
utilizar una tasa de descuento del 10% anual para el clculo de valores presentes.
Para fines del anlisis puede suponerse que todos los costos y beneficios ocurren
al final de cada ao y que la vida de la planta es infinita. Igualmente, y a fin de
simplificar, se ha considerado conveniente no incluir el efecto de impuesto en el
anlisis.
El costo del gas natural se expresa en bolvares por mil pies cbicos (Bs/mpc);
de tal manera que el costo del gas vara entre un valor bajo de 10 (Bs/mpc) y un
valor alto de 20 (Bs/mpc) con un valor medio de 12,5 (Bs/mpc).
s.
c
om
El costo del cido sulfrico en (Bs/tonelada) tiene un valor medio de 200

(Bs/tonelada) con un valor bajo de 150 (Bs/tonelada) y un valor alto de 250 (Bs/
tonelada).
un
a.
fo
ro
El costo de construccin depende del proceso que se trate. Se estima que

debido al paso adicional involucrado en la produccin del nitrato, (vase el diagrama de flujo del proceso), el costo de produccin para el proceso del sulfato es
siempre, aproximadamente, 20% menor que el costo de construccin para el proceso del nitrato.
yc
on
t
El costo para el proceso del nitrato, (a precios de 1982) vara entre 400
millones de bolvares y 1.200 millones de bolvares, con una media de 750 millones.
"~
.a
dm
En adicin a estos costos, se prevn costos adicionales de alrededor de 20

millones de bolvares anuales para la planta de nitrato, y de 25 millones de bolvares, tambin anuales, para la planta de sulfato.
w
w
Las distribuciones acumulativas de los precios del gas natural, cido sulfrico
y costos de construccin, se muestran en las figuras 3, 4 y 5, respectivamente.
El beneficio econmico que se obtenga ser necesariamente una funcin del
precio del producto y del volumen de ventas.
Para fines del anlisis puede suponerse:
El precio del fertilizante depende fundamentalmente de ios costos variables de la produccin.
Debido a que la industria de fertilizantes maneja casi exclusivamente contratos grandes y tiende a mantener estables los mrgenes de beneficio, la
relacin de los precios con los costos est muy bien definida y adopta la
forma que se indica en la curva de la figura 6.
Despus de una entrevista con el grupo de Mercadeo,'ha sido posible establecer la proyeccin de las ventas para cada producto en funcin del precio de cada
uno. Las figuras 7 y 8 muestran, para cada producto, la proyeccin de ventas para
los fractiles 0.05, 0.25, 0.50, 0.75 y 0.95. Los dos juegos de curvas son dependien340
tes; es decir, si el nivel de ventas es alto para un producto, ser alto tambin para
el otro.
n otra entrevista celebrada con ese propsito, fue posible obtener informacin til para establecer la actitud ante el riesgo de Fertilizantes C. A. El presidente del directorio manifest que la poltica de la compaa siempre ha sido preferir
ms o menos, pero se prefiere nunca asumir riesgos.
10
Distribucin Acumulativa del

precio dd gas (Bc/mpc).
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Al plantear la discusin en trminos de una Lotera, el presidente manifest

ser indiferente entre participar en una Lotera con igual probabilidad de ganar 400
millones de bolvares y perder 200 millones; igualmente seal ser indiferente
entre recibir 150 millones de bolvares con certeza, o participar en una Lotera
con iguales probabilidades de obtener nada y 400 millones de bolvares.
200
Figura 4:
,50
300
Distribucin Acumulativa del

precio del cido sulfrico (B/Tn)
341
PROBABILIDAD ACUMULATIVA
PRECIO DEL FERTILIZANTE (Bs/Tn)k

O l M
c n o
o o
o o o
M f e O I O C O
o i o o i o
o o o o
o o o o
C d t U .
w o
o o
o o
:%
e n e
o o
o o
co
ro
s.
-o g
*
fo
n O
IO
S1
g-
na
.m
* (6
a
on
tu
a
o'
yc
3
9.
0>
a
A
O V
o
3
3
E O*
3
.a
dm
a
a
VOLUMEN DE VENTAS ANUALES (Tn),
na
.m
fo
ro
s.
co
VOLUMEN BE VENTAS ANUALES (Tu).
tu
21
B
.a
dm
yc
on
a
a
ss
CO
SQLU3GSSI BE LA
AUTOEVALUACIOIM
11
PREGUNTA
CLAVE
OBJETIVO
EVALUADO
SECCIN
REFERENCIA
19
10.2
19
10.2
19
10.2
"
'i
19
10.2
19
10.2
19
10.2
19
10.2
19
10.3
20
10.3
20
10.3
20
10.3
20
10.3
w
w
.a
dm
yc
on
t
un
a.
s.
c
Ver Estudio
d*J Caso
fo
ro
om
'!
"
I!
"
L_
20
21
10.3
10.4 - 10.5
345
CLAVE RAZONADA: AUTOEVALUACIN No. 10

ESTUDIO DEL CASO "FERTILIZANTES C. A."
El estudio del caso se efectuar siguiendo el procedimiento explicado a lo
largo de la Unidad 10.
Despus de efectuar la lectura del caso y antes de empezar a aplicar la metodologa de! Anlisis de Decisiones, el analista organiza la informacin relevante del
caso.
Cumpliendo So anterior, se procede a la aplicacin del Ciclo del Anlisis de
Decisiones.
APLICACIN DEL CICLO DE ANLISIS DE DECISIONES
om
FASE DETERfflNISTICA
s.
c
Etapa de Modelacin
fo
ro
(A) Delimitacin de la Decisin
Se identifican dos decisiones:
un
a.
Construir o no una planta de produccin de fertilizantes con capacidad

de produccin de 160.000 toneladas anuales.
yc
on
t
Tipo de fertilizante que debe fabricar la planta: nitrato de amonio o sulfato de amonio.
dm
(B) Alternativas
.a
Representando la informacin anterior se establecen tres alternativas:
w
w
Alternativa I ; Construir planta de nitrato de amonio.

Alternativa II : Construir planta de sulfato de amonio
Alternativa III : No construir ninguna planta.
(C) Atributos
El atributo escogido es el Beneficio Econmico Neto derivado de la construccin y explotacin de la planta.
(D) Variables del Sistema
Variables de Decisin:
Construccin de la Planta
Variables de estado:
Costo de Construccin: (en millones de bolvares).
C, = Costo de construccin de la planta de nitrato.
C2 = Costo de construccin de la planta de sulfato.
346
Precio del gas (Pg) (en Bs/mpc).

Precio del cido sulfrico (Pa) (en Bs/tn)
Volumen de ventas del fertilizante: (en miles de unidades)
V j ~ Volumen de ventas del nitrato
V - Volumen de ventas dei sulfato
(E) Modelo Estructural
VALOR
Il
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
RBOL DE DECISIN
w
w
El primer nodo describe la decisin de fabricar la planta de nitrato, o la planta de sulfato o ninguna de las dos.
El segundo nodo describe a incertidumbre y distribucin de probabilidad de
a variable de estado Costo de Construccin (C ) y (C 2 ).
El tercer nodo describe ia incertidumbre y distribucin de probabilidad de la
variable de estado, precio del gas {Pg).
El cuarto nodo, (slo en a Alternativa II), describe la incertidumbre y distribucin de probabilidad de la variable de estado precio del cido sulfrico
(Pa).
El ltimo nodo describe la incertidumbre y distribucin de probabilidad condicional del volumen de ventas de fertilizante en funcin del precio del gas,
(V,/Pg).
El valor al final, Beneficio Neto (B) es una funcin de C, Pg, Pa y V/Pg; por
lo tanto la decisin se plantea en trminos de seleccionar la alternativa que
maximice e Beneficio Neto (B),
347
(F) Modelo de valoracin:

Calculemos el Beneficio Neto (B).
E = Ingresos totales Costos totales.
Ingresos totales : I - V X P
siendo:
V = Volumen e ventas del fertilizante (en toneladas).
P - Precio unitario de venta del fertilizante (en bolvares por tonelada).
l^~Vl X P,
para el nitrato.
I2 = V 2 X P2
para el sulfato.
C T = C 4- C v + C A
fo
ro
s.
c
Costos totales:
om
Por lo tanto:
siendo:
a.
C = costo de construccin de la planta (en Bs).
un
C v = costo variable unitario de produccin del fertilizante (en Bs/Tn),
yc
dm
Por lo tanto:
on
t
C A = costo adicional (en Bs.)
.a
C T - C 4- V X C v + C A t
para el sulfato.
w
w
C T = C2 + V 2 X C v + C A
para el nitrato.
Por consiguiente el beneficio neto B ser:

Bj = V,?! (C, -4- V , C V + C A )
para planta de nitrato
B n = V 2 P 2 -(C 2 + V 2 C V + C A i )
para planta de sulfato.
Reordenando trminos se obtiene:

ECUACIONES DEL MODELO DE VALORACIN
-CAJ
para planta nitrato
BH-VatPa-Cv,)-^ -cA2
para planta sulfato
B ^ V , ( P t - C v l ) "C,
348
Para aplicar las ecuaciones anteriores hay que tener en cuenta que:
~~ CA , Y CA. se .onocen del texto y sus valores son:
CA - 20 millones de bolvares.
CA - 25 millones de bolvares
C tiene distribucin conocida (Figura 5) y adems se sabe que:
C 2 = 0.8 C,
Cv y Cy 2 , los costos variables de produccin no se conocen, pero sabemos que dependen de cada proceso. Por lo tanto, debemos examinar las
ecuaciones de cada proceso y determinamos que los costos variables para
cada proceso son:
Para proceso de nitrato:
= costo total del gas
om
fo
ro
Cv, ~ costo total del gas 4- costo

total del cido sulfrico.
s.
c
Para el proceso del sulfato:
yc
De la tabla No, es deduce
on
t
un
a.
Estos costos sabemos que son funcin de la cantidad requerida por cada
proceso; por lo tanto debemos establecer una ecuacin para cada uno y
para ello utilizaremos la tabla No.2. Adems conocemos la distribucin
del precio del gas (?g) y del precio del cido sulfrico (Pa).
(1)
0.4 NH 3 -h 24 gas
(2)
NH 3 -
0,2 H 2 4- 144 gas
(3)
w
w
w
H,
.a
HNO 3
dm
NH 4 N0 3 - 0.23 NH 3 + 0,8 HN0 3
160 gas
(4)
Sustituyendo (4) en (3)

NH 3 =
(5)
HN0 3 -
(6)
94.4 gas

NH 4 N0 3 - 116 gas
Por lo tanto:
Cy.
116 Pg
349
Similarmente
(NH 4 ) 2 S04 - 0.25 NH 3 + 0.8 H 2 S04
(1)

(NH 4 ) 2 S04 - 44 gas + 0.8 H 2 S04
Por lo tanto:
C v = 44 Pg + 0.8 Pa
P! y P 2 se derivan de la figura 6 conociendo los valores de los costos

variables C v y C v .
om
~ V, y V2 se derivan de las figuras 7 y 8, respectivamente, conociendo

los precios P, y P 2 .
fo
ro
s.
c
Con las anteriores aclaraciones se pueden utilizar ya las ecuaciones del Modelo de Valoracin.
(G) Modelos de Preferencia Temporal:
yc
on
t
un
a.
Las ecuaciones anteriormente obtenidas describen el Beneficio Econmico

Neto (B) para ei primer ao de operacin. Para tomar en consideracin los
flujos de fondos correspondientes a los aos siguientes, utilizaremos el criterio del-valor presente y supondremos que la vida de la planta es infinita como
lo sugiere el caso.
w
w
.a
dm
En el diagrama anexo se ilustra el flujo de fondos para cualquiera de las

plantas.
pXv
!
PXV
pyv
, k i
o o ooo o o
'C
<
- vcv
i vcv
PXV
1\
y vvr
H-
'CA
vc\
Diagrama Flujo de Fondos
Ntese del diagrama que el costo de construccin solo ocurre en t = O, y que

los ingresos y costos ocurren a\\e cada ao.
350
Calculemos e Valor Presente;

VPB}-
Pero como C sio ocurre en t-= O y el resto de los ingresos y costos ocurren
al iiaal del ao.
[V (P-CV ) - C A ] X
om
VP (B) = - C 4-
fo
ro
s.
c
Del diagrama de flujo de fondos se ve que ios valores no varan en el tiempo,

por lo tanto
1
on
t
un
a.
(1 4- i)
dm
yc
Luego
.a
Por consiguiente:
w
w
VP ( B M ) = - C 2 + -p
V 2 (P2 -C V j ) -C A j ]
Sbenos adems que:

Ci -
j-i
r~-
u2 ~
!'\ f"~i
U.o O . -
A O ~^
U.o O
20 millones y CA-, ~ 25 malones

i - 10%
Por consiguiente:
VP(B,)
- +10 V, (P, - C v , ) ~ 200
VP(BM)
-0,8C +10V, (P 2 - C v 2 )
VPfB.p'
-250
(No construir no genera beneficio)
351
y adems sabemos que;
44 Pg + O.
Etapa de Anlisis
(H) Sensibilidad a las variables de estado,
Sensibilidad a ia variable de estado Costos de Construccin (C)
fo
ro
s.
c
C = (Valor mnimo, Valor medio, Valor Mximo)

C- (400,750,1200)
om
Rango de Variacin, (ver figura 5)
w
w
.a
dm
yc
on
t
un
a.
Se fijan las otras variables en sus valores medios y se calcula para cada nodo
terminal el valor del Beneficio Neto (B) correspondiente, utilizando las frmulas desarrolladas en el modelo de valoracin. Ejemplo:
Cuadro: Clculo de sensibilidad al costo de construccin
352
Para el primer nodo terminal de la alternativa i:
G -400 X10 6
P - 2300
VP (B) -
P g = 12,5
Fa= O
C v = 1450
V -: 130.
C +10 Vj (F , -Cv . ) ~ 200 X 106
Cv - 116 Pg= 116 X 12,5 = 1450

VP(B) = - C + 1 0 V , (P,--1450) -200
VP (B) - - 400 X10 + -10 (130 X 103) (2300 - 1450) - 200 X106
VP (B) ~ 505 millones de bolvares.
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
En el cuadro siguiente se resumen ios resultados obtenidos
om
De igual manera se calculan los otros valores.
w
w
Cuadro: Sensibilidad a) costo de construccin
En el cuadro para cada valor C se muestra con un crculo la mejor alternativa.

Al variar el costo de construccin en su rango, se produce un cambia de decisin; por lo tanto, el costo de construccin es una variable de estado crucial
pues la decisin es sensible a (C),
Ntese adems que se cumple que el Beneficio (B{) de la alternativa I es
siempre mejor que el de la Alternativa II (B n ) 5 pero no siempre mejor que
Bu i oseaB > B n .
Sensibilidad a !a variable de estado
Precio de! gas (Pg).
Rango de variacin; (Ver figura 3).
Pg-(10; 12,5; 20}
353
Se sigue el mismo procedimiento que para el costo de construccin, fijando

las otras variables en sus valores medios. El procedimiento se resume en el
cuadro anexo:
VP(B)
1950
150
230
1450
2300
130
155
2320
3600
80
74
600
1350
126
95
710
1450
120
38
104
1800
60
104
fo
ro
s.
c
200
1160
om
un
a.
Cuadro: Clculo sensibilidad al precio del gas
10
(ioN
20
w
w
12.5
.a
v^
3,,
95
B,i > B,,

,
M >B III
38
B, > B > B
i
II
III
-60
Bn
dm
"i
yc
on
t
Los resultados se resumen en el cuadro siguiente:
RELACIN
B,>Bm>B,,
Cuadro: Sensibilidad al precio del cido sulfrico
Al variar Pg no se produce cambio de decisin, por lo tanto la decisin es

insensible al cambio en Pg y Pg no es una variable de estado crucial.
Ntese que el beneficio Bj es siempre mejor que el beneficio BM y B U I , o sea
BI > BU > B UI .
Sensibilidad a la variable de estado precio del cido sulfrico (Pa).
Rango de varacin^ver figura 4)
Pa- (15, 20, 25)
354
Pa
rt
150
X~
Pg
VP(B)
12 5
750
12.5
670
1400
123
48
710
1450
120
38
750
1500
117
28
200
\0
cv
750
,,
,,
" !I
fo
ro
s.
c
om
BI
.a
Pa
dm
yc
on
t
un
a.
Cuadro: Clculo de sensibilidad al precio del cido sulfrico
15
20
25
I
j
MLB.s)
w
w
//
r "
RELACIN
Bn
"u,
48
Bi>Bn>Bni
38
B I > B II >B III
28
B I > B II > B III
Cuatro: Sensibilidad al precio del cido sulfrico
La dcisin no es sensible al cambio en el precio del cido sulfrico; por lo

tanto Pa no es una variable crucial.
Ntese que adems se cumple siempre que:
BI > Bn > B UI
355
Sensibilidad al volumen de ventas (V)

Rango de Variacin; (Ver figuras 7 y 8)
V , - (120.130,150)
V2 = (110, 120, 135)
Pa
750
VP(B)
Cv
1450
12.5
2300
90
155
12.5
s.
c
om
325
710
1450
fo
ro
200
38
.a
dm
yc
on
t
un
a.
139
w
w
Cuadro: Clculo de sensibilidad ai volumen de ventas
vl
RELACIN
V.
Bl
Bn
Bm
120
110
90
-33
BI>BII
130
120
155
38
BI>BH>BIH
150
135
325
139
BI>BII>BIII
Cuadro: Sensibilidad al volumen de ventas
356
-33
La decisin no es sensible al volumen de ventas y por lo tanto V no es una

variable crucial
Ntese que siempre se cumple:
Bj > Bu
B, > Bm
Conclusin del Anlisis Determinsico
Crucial
Variable
No crucial
Valor nominal (Pg)
Pa
No crucial
No crucial
om
s.
c
-3n
NUEVO RBOL
RESULTADO
VARIABLE
(U
"G
on
t
yc
.,
dm
III
Eliminar alternativa U
.a
"C'w
A O
>Q
denominada por la
alternativa I
II
w
w
fl
4>
un
3:2
Valor nominal (V)
a.
>
Vaior nominal (V)
fo
ro
3
a
NUEVO RBOL
RBOL DE DECISIN
VALOR
VP(BH|)
357
Fase Ptobabstica.
(!)
Codificacin de Incertidumbre en variables aleatorias.

En la fase determinstica se concluy que la nica variable de estado crucial
es el costo de construccin (C), por lo tanto, nicamente se considera incertidumbre c-n asa variable.
El texto del caso incluye la curva de distribucin acumulativa del costo de
construccin, figura 5, por lo cual no se requiere ninguna derivacin adicional.
a.
fo
ro
s.
c
om
Utilizando los conceptos para discretizacin de curvas de distribucin y aplicndolas a la figura 5 podemos obtener los siguientes resultados:
un
sD
yc
on
t
dm
w
w
.a
Q
O
200
400
600
800
1000
1200
1400
Distribucin Acumulativa de C
Procedimiento:
1)
Se divide el eje de ordenadas en tres regiones correspondientes a los cuartiles

superior e inferior y a la regin intercuartil, lo que equivale a probabilidades
de 0,25, 0,25 y 0,50 respectivamente.
2)
Para cada regin se encuentra el punto en la curva que haga que las reas
sombreadas sean iguales.
3)
Los puntos as determinados aproximan la distribucin.
Los resultados son:
358
P(C)
(I)
1/4
490
1/2
760
1/4
1090
Desarrollo de Loteras de Valor
VALOR (B)
fo
ro
s.
c
om
RBOL DE DECISIN
un
a.
415
on
t
145
w
w
.a
dm
yc
185
(K) Estudio de la dominancia estocstica.
B,
RELACIN
Bm
1/4
415
B,
1/2
145
BI>BIII
1/4
-185
B,
> Bm
< B n
355
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om
Funcin de densidad de probabilidad
Funcin acumulativa del beneficio
Conclusiones de anlisis de dominancia estocstica.

De las grficas se desprende que no existe alternativa completamente dominante.
Ntese qua para los valores negativos de (B) la alternativa dominante es III,
mientras que para valores positivos de (B), la alternativa dominante es I.
Puesto que no hay alternativa dominante, no se pueden eliminar alternativas
dominadas y en consecuencia es necesario proseguir el anlisis, comparando
las alternativas y I con el mismo rbol.
RBOL DE DECISIONES
VALOR
415
o
145
-o
-135
III
(L) Codificacin de la preferencia al riesgo

Las loteras correspondientes son:
400 m
400 m
s.
c
om
150
on
t
Se calcula:
- -^- u (400) + -~-u(0)

.
yc
A 50)
a.
u (0)= O
un
Por io tanto, asignando:

u (400)- 1
O m
fo
ro
-200
dm
u (150) = (1) + - (0) =*
u (400) -f y
u (-200)
w
w
u(0) - y
u (150) -
.a
O = - (1)+ -i
.i
u (-200) -> u (-200)-
-1
Con estos cuatro valores se construye la Curva de Utilidad.
361
(M) Determinacin de Equivalente Cierro y Alternativa ptima.
.X'
185
a.
fo
ro
s.
c
om
/ \
on
t
un
'
i. /
T
-- U
S
0,92)
dm
yc
.a
u = 0.26
rva de Utilidad se determina el Equivalente Cierto de
w
w
la Alt:*:tiva '.
Alternar,!va I
,'- f i
i '
VT 7
Puesto que la utilidad de la Alternativa I ss mayor que> ia utilidad de la III, se

prefiera aquella, cuyo e uivalevUe cierto es 78 millones.
Fase Informacional:
(N) Valor de la Informacin Perfecta en las variables aleatorias o cruciales
fo
ro
s.
c
om
(M) Determinacin de Equivalente Ci y Alternativa ptima.
a.
Alternativa I
dm
yc
0.48
on
t
un
i,
1
u (415) -i- u (145) + u (- 135)
w
w
.a
Con este ydor es la Curva de Utilidad se determina el Equivalente Cierto de

la Alterativa I
u- 0.26 EC^ 78 millones.
Alternativa i
u - 1 X u (0) -
Puesto que la utilidad de la Alternativa I es mayor que la utilidad de la III, se

prefiere aquea, cuyo e nivlente cierto es 78 millones.
1 /^
Gpina
Fase Informacin!;
(N) Valoi de la Informacin Perfecta en las variables aleatorias o cruciales,
L?. nica variable crucial as (C) e costo de construccin.
BENEFICIO
415-k
u (415i)
145k
u(145-k)
om
J?!L_ _rt_____I
UTILIDAD
II!
u (-le)
fo
ro
0-k
O-
s.
c
1/4
on
t
Calcular k tai que se cumpla
un
a.
u (y) - y u (415-fc) + y u (145-k) + -~- u (0-k)
dm
yc
u (y) - u (y') - 0.26 (de la pregunta M)
.a
Resolviendo por auto la ecuacin

0.26 - -ru (415-k) 4- T u (415-k) + ~ u (-k)
w
w
Se obtiene k = 70 aproximadamente
Por lo tanto, el valor de la informacin perfecta del costo de construccin es
de 70 millones de bolvares.
363
BIBLIOGRAFA MODULO III

Introduccin al Anlisis de Sistemas e Investigacin de Operaciones. Representaciones y Servicios de Ingeniera, S.A., Mxico,
- V7Q
i y 10.
HOLISTEN, Gedffrey S.
Pensare per Modelli. Shemi Logici e Strument di Calclo. Mondadori. The Open
University. Italia, 1979.
HOWAHD, R. A,
Decisin Analysis: Appiied Decisin Theory. Proceedings of The Fourt International

Conference on OperationaJ Research. New
York, 1966.
HOWARD, R, A.

EEE Transactions on Systems Science and
Cybernetics, Vo. SSC-4 No, 3, USA, 1968.
on
t
un
a.
fo
ro
s.
c
om
GEREZ y CZITROM
dm
yc
MATHE8QH, J. E. y
HOWARD, R. A.
w
w
.a
MURDICE, R. y ROSS, J.
An Introduction to Decisin Analysis.

Stanford Research Institute, USA, 1968.
Sistemas de Informacin basados en Computadoras para la Administracin Moderna.
Edit. Diana, Mxico, 1974.
SPETZCER, Cari y
ZAMORA, Ramn M.
Decisin Analysis of a Facilities Investment

and Expansin Problem. Stanford Research
Institute, USA, 1974.
CARL - STAEL, Axel S.
A titorial in Decisin Analysis. Third Research Conference on Subjective Probability. Utility and Decisin Making, London,
1971.
w
w
.a
dm
yc
on
t
un
a.
fo
ro
s.
c
om

CARACAS - VENEZUELA

Texto Teor - A de Decisiones (1) - 2

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Texto Teor - A de Decisiones (1) - 2

Încărcat de

Drepturi de autor:

Formate disponibile

Digitalizado por Liz Zambrano para www.admycontuna.mforos.

UNIVERSIDAD NACIONAL ABIERTA

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

UNIVERSIDAD NACIONAL ABIERTA

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Universidad Nacional Abierta

Todos los derechos reservados. Prohibida la reproduccin total o parcial

Primera reimpresin 1992

L Teora de decisiones. 2. Toma de decisiones.

Segunda reimpresin, 1993

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Mara Luisa Pana de Carrera, MC., Ing

Beatriz Tancredi, Lie. UNA

UbaWo Garca Palomares, PHD, USB

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

MODULO I; FUNDAMENTOS Y ELEMENTOS BSICOS

Unidad 1: El Anlisis de Decisiones, Importancia y Delimitacin . .

Unidad 2: Conceptos Bsicos de Probabilidades

Unidad 3: Informacin y Asignacin de Probabilidades

Unidad 4: Metodologa de Asignacin de Probabilidades

MODULO II: LAS PREFERENCIAS DEL DECISOR Y SU ACTITUD

Unidad 6; Las Preferencias del Decisor

Unidad 7: La Actitud del Decisor ante el Riesgo

Unidad 8: Criterios de Decisin

Unidad 9: El Valor de la Informacin

MODULO O: METODOLOGA DEL ANLISIS DE DECISIONES > . .

Unidad 10: El Ciclo y las Fases del Anlisis de Decisiones

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Aunque tradkionalmente se ha utilizado la expresin Teora de Decisiones

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Unidad 1. El Anlisis de Decisiones, importancia y delimitacin.

Unidad 2. Conceptos bsicos de Probabilidad.

Unidad 3. Informacin y asignacin de probabilidades.

Unidad 4. Metodologa de asignacin de probabilidades.

Unidad 5. Arboles de decisin.

Al finalizar el estudio del Mdulo I, el estudiante deber estar en capacidad

Distinguir un problema de decisiones

Identificar los elementos de un problema de decisiones

Estructurar y evaluar rboles de decisiones.

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

1.2. ORIGEN DEL ANLISIS DE DECISIONES

Veamos en qu forma se produjo esta evolucin y a partir de cules ciencias.

La primera actividad cientfica organizada para el anlisis de los procesos de

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Paralelamente y gracias al advenimiento del computador, hemos presenciado

1.3. CAMPO DE ACCIN DEL ANLISIS DE DECISIONES

El grado de complejidad de los problemas tratados cubre un amplio rango,

A continuacin indicaremos algunos de los problemas donde el Anlisis de

1. Introduccin de nuevos productos.

2. Planificacin de estrategias de mercado

5. Exploracin y explotacin de recursos naturales no renovables.

6. Desarrollo de nuevas fuentes energticas.

Digitalizado por Liz Zambrano para www.admycontuna.mforos.com

Al finalizar el estudio" de esta Unidad usted deber estar en capacidad de:

Distinguir los conceptos de Buena Decisin y Buen Resultado.

Distinguir entre situaciones o problemas de decisin bajo certeza y bajo incertidumbre.

1.2. Origen del Anlisis de Decisiones.

1.1. Importancia del Anlisis de Decisiones