Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

1 Teoria Decision

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 46

Instrumentos 

Estadísticos Avanzados
Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández

TEORÍA DE LA DECISIÓN
TEORÍA DE LA DECISIÓN

1.  Modelo Económico: Toma de Decisiones
2.  Criterios de Decisión en ambiente de incertidumbre:
Laplace
Wald o Minimax‐Maximín  (Pesimista)
Hurwicz (Optimista parcial)
Savage (Mínima penalización)
3. Criterio de Decisión en ambiente de riesgo:
Valor esperado
Lo más probable
Escenario Medio
Valor en Riesgo (Value at risk)

Portal Estadística Aplicada:  Teoría de la Decisión  1
Portal Estadística Aplicada:  Teoría de la Decisión  2
TEORÍA DE LA DECISIÓN
La aportación fundamental de Von Neumann (1943) en teoría de juegos y teoría de la utilidad,  abre
el enfoque con método científico de los problemas de decisiones en campos tan diversos como el
económico, militar, tecnológico, político, social, etc.
Nuevas ideas han crecido por el estímulo de tales problemas y han originado extensos tratados de
teoría de juegos, programación matemática, teoría de colas, teoría de la información, control
estadístico, etc., construyendo disciplinas aplicadas que llevan los nombres de Investigación
Operativa, Ciencia de la dirección y control, Análisis de sistemas, Cibernética, etc.
Todas ellas giran alrededor del problema típico de la decisión: Analizar científicamente varios cursos
de acción posibles para determinar el óptimo. Adoptando, por ello, el nombre de Teoría de la
Optimización.
De modo genérico se puede decir que el método fundamental de enfrentarse a estos problemas es
formar modelos matemáticos apropiados.
Un modelo es una imagen simplificada de la situación real, en que las relaciones empíricas se
traducen en relaciones matemáticas o lógicas entre los entes que se introducen en el modelo.

MODELO ECONÓMICO: TOMA DE DECISIONES
La toma de decisiones es tanto más sencilla cuanto mayor sea la información de que se dispone. Se
hace más compleja cuando se desconoce con certeza lo que va a ocurrir.
El nivel de información determina el tipo de ambiente de la decisión. Ambientes de decisión:
Certeza:  El decisor conoce con absoluta seguridad los estados de la naturaleza que van a
presentarse.
Riesgo:  El decisor desconoce qué estados de la naturaleza se presentarán, pero si conoce cuales
pueden presentarse y la probabilidad que tiene cada uno de ellos. Por ejemplo, sabe que la
demanda de un producto puede ser de 20.000 unidades al año, con una probabilidad del 25%, o de
15.000 unidades anuales con probabilidad del 75%, y conoce que hay una probabilidad del 30% de
que tenga una fuerte competencia y un 70% de que no tenga competencia.
Incertidumbre estructurada:  El decisor conoce los estados de la naturaleza, pero no las
probabilidades asignadas a cada uno de los estados.
Incertidumbre no estructurada:  El decisor no conoce los estados de la naturaleza que pueden
presentarse ni las probabilidades asignadas a cada uno  de los estados.
En el contexto expuesto, el que el decisor ha de tomar una decisión ante una situación con diversos
estados de la naturaleza o escenarios gobernados por el azar.

Portal Estadística Aplicada:  Teoría de la Decisión  3
Los elementos que intervienen en un proceso de decisión de estas características son:

E = {E1 , E2 , , Em } ≡ Conjunto de estados de la naturaleza o posibles escenarios

D = {D1 , D2 , , Dn } ≡ Conjunto de posibles alternativas o decisiones

xi j ≡ Consecuencia de tomar la decisión  Di  y se dé el estado  E j

En ocasiones también intervienen las probabilidades en el momento de tomar una decisión:
p j ≡ Probabilidad de que se dé el estado  E j  (en muchas ocasiones no es conocido)
Si estas probabilidades son conocidas (o han sido estimadas) antes de tomar la decisión, se dice que
es un proceso de decisión bajo riesgo, mientras que si son desconocidas se habla de decisión bajo
incertidumbre.
Con estos elementos, cuando el proceso se define en una sola etapa, es decir, hay una única
decisión que tomar en un momento dado, y los conjuntos de estados y alternativas son finitos, para
facilitar la comprensión de la situación, se representa el problema mediante una tabla de decisión:

Estados de la naturaleza ‐ Escenarios
Decisiones E1 E2 Ej Em
alternativas p1 p2 pj pm
D1 x11 x12 x1 j x1m
D2 x21 x22 x2 j x2m
Matriz de        

Di xi1 xi2 xi j xim consecuencias

Dn xn1 xn2 xn j xnm

A la matriz central (formada por las consecuencias) se denomina matriz de pagos o consecuencias,
tomando esta denominación más del contesto de la teoría de juegos que de la decisión clásica.
La mayor dificultad es cómo valorar una decisión o alternativa para poder compararla con otras. Así
se presentan distintos criterios para valorar las alternativas y, según sea el criterio adoptado, decidir
cuál es la decisión óptima.
Los criterios se clasifican según utilicen las probabilidades de los distintos estados o no los utilicen,
éstos segundos criterios se pueden utilizar en cualquier caso.
Cuando no se utilizan probabilidades conocidas  es un contexto de criterios de decisión en ambiente
de incertidumbre. Mientras que si utilizan probabilidades conocidas el contexto de decisión es de
riesgo.

Portal Estadística Aplicada:  Teoría de la Decisión  4
a)  CRITERIOS DE DECISIÓN EN AMBIENTE DE INCERTIDUMBRE
Cuando la incertidumbre es no estructurada se basa en la intuición, no se puede obtener mayor
información.
Cuando la incertidumbre es estructurada, la decisión tiene una carga de subjetividad muy elevada.
La toma de decisiones se puede realizar utilizando distintos criterios:
Laplace
Maximax:  Optimista
Wald o Minimax‐Maximin:  Pesimista
Hurwicz:  Optimismo Parcial
Savage:  Mínima Penalización
La tabla adjunta presenta dos decisiones alternativas y tres estados de la naturaleza:

Estados de la naturaleza
Decisiones alternativas E1 E2 E3
D1 60 50 40
D2 10 40 70

CRITERIO DE LAPLACE:  Se denomina también racionalista o criterio de igual verosimilitud.
Parte del postulado de Bayes, según el cual, si no se conocen las probabilidades asociadas a cada
uno de los estados de la naturaleza o posibles escenarios no hay razón para pensar que uno tenga
más probabilidades que otro. Por ello, se calcula la media aritmética de cada una de las decisiones
que se se pueden tomar y se elige aquella que le corresponda el resultado medio más elevado.
Cuando los resultados sean negativos se elige el menos desfavorable.

Estados de la naturaleza
Decisiones alternativas E1 E2 E3
D1 60 50 40 D1 • = 50
D2 10 40 70 D2 • = 40

Utilizando el criterio de Laplace se tomaría la decisión  D1

Portal Estadística Aplicada:  Teoría de la Decisión  5
CRITERIO MAXIMAX (Optimista):  Criterio que se toma cuando se piensa que el estado de la
naturaleza o escenario que se presentará será el más favorable, independientemente de cuál sea la
decisión.
Por ello, cuando los resultados son positivos, se le denomina criterio Maximax.
Para cada decisión se analizan los posibles resultados y se toma aquella decisión que en el caso más
optimista ofrezca mejores resultados.
Cuando los resultados sean desfavorables la decisión óptima es Minimax, la menor perdida entre las
mayores pérdidas.

Si elige  D1 sucederá lo más favorable  (E1 )  y ganará 60 u.m.

Si elige  D2 sucederá lo más favorable  (E3 )  y ganará 70 u.m.

En consecuencia, se elige  D2   (70 > 60)

CRITERIO de WALD o MAXIMIN  (Pesimista):  Criterio que se toma pensando que cualquiera que sea
la elección, el estado de la naturaleza o escenario que se presentará será el menos favorable.

Si elige  D1 sucederá lo menos favorable  (E3 ) y ganará 40 u.m.

Si elige  D2 sucederá lo menos favorable  (E1 ) y ganará 10 u.m.

Con este criterio se elige  D1   (40 > 10)

CRITERIO de HURWICZ (Optimismo Parcial):  Criterio que constituye un compromiso entre los
criterios optimista y pesimista, mediante la introducción de un coeficiente de optimismo  α  y un
coeficiente de pesimismo  (1 − α) , donde  0 ≤ α ≤ 1 .
El mejor de los resultados de cada estrategia se pondera con el coeficiente de optimismo  α , en
tanto que el peor de los resultados se pondera con el coeficiente pesimista  (1 − α) .
Cuando los resultados sean desfavorables la decisión óptima es Minimax, la menor perdida entre las
mayores pérdidas.

Para  α = 0,7 Estados de la naturaleza


Decisiones alternativas E1 E2 E3
D1 60 50 40
D2 10 40 70

Si elige  D1  lo mejor que puede ocurrir es  (E1 )  y  lo peor que puede ocurrir es  (E3 ) :


D1 → α . 60 + (1 − α) . 40 ≡ D1 → 0,7 . 60 + (1 − 0,7) . 40 = 54 u.m

Si elige  D2  lo mejor que puede ocurrir es  (E3 )  y  lo peor que puede ocurrir es  (E1 ) :


D2 → α . 70 + (1 − α) . 10 ≡ D2 → 0,7 . 70 + (1 − 0,7) . 10 = 52 u.m

Con el criterio  de optimismo parcial se elige  D1   (54 > 52)

Portal Estadística Aplicada:  Teoría de la Decisión  6
CRITERIO de SAVAGE o COSTE DE PENALIZACIÓN:  Criterio que se toma cuando se tiene aversión a
arrepentirse por equivocarse. Se parte de la matriz de pesares.
Según este criterio la decisión óptima es elegir el menor entre las máximos penalizaciones.
MATRIZ DE PENALIZACIONES
Estados de la naturaleza
Decisiones alternativas E1 E2 E3
D1 60 50 40
D2 10 40 70

Si elige  D1 y ocurre  (E1 )  su penalización es 0, ha ocurrido lo mejor que podía haber ocurrido. Si elige


D2 y ocurre  (E1 )  su penalización es 50, que se calcula como la diferencia entre lo que gana con  D2
que es 10 y lo que  habría ganado si hubiera tomado la decisión  D1 que es 60.

Estados de la naturaleza
Decisiones alternativas E1 E2 E3
D1 0
D2 50

Si elige  D1 y ocurre  (E2 )  su penalización es 0, ha ocurrido lo mejor que podía haber ocurrido.


Si elige  D2 y ocurre  (E2 )  su penalización es 10, que se calcula como la diferencia entre lo que gana
con  D2  que es 40 y lo que  habría ganado si hubiera tomado la decisión  D1 que es 50.

Estados de la naturaleza
Decisiones alternativas E1 E2 E3
D1 0 0
D2 50 10

Si elige  D1 y ocurre  (E3 )  su penalización es 30  (70 − 40) .


Si elige  D2 y ocurre  (E3 )  su penalización es 0, ha ocurrido lo mejor dado que ha elegido  D2

Estados de la naturaleza
Decisiones alternativas E1 E2 E3
D1 0 0 30
D2 50 10 0

Si toma la decisión  D1  la máxima penalización es 30.

Si toma la decisión  D2 la máxima penalización es 50.

Siguiendo el criterio de Savage, la decisión óptima es tomar la decisión  D1 , que corresponde a la
menor penalización entre las máximas penalizaciones.

Portal Estadística Aplicada:  Teoría de la Decisión  7
b)  CRITERIOS DE DECISIÓN EN AMBIENTE DE RIESGO

CRITERIO DEL VALOR ESPERADO:  Selecciona aquella alternativa cuyo pago esperado o pago medio sea
mejor. Si los pagos son beneficios selecciona la alternativa de mayor beneficio esperado y si son costes
la de menor coste posible.
Es el criterio más común cuando las probabilidades son conocidas, aunque no tiene por qué ser el más
apropiado.
Adviértase que si el proceso de decisión se repite muchas veces en idénticas condiciones, las Leyes de
los Grandes Números aseguran que en el límite el pago medio es la esperanza.
En esta línea, este criterio es apropiado cuando el proceso se va a repetir muchas veces, pero puede no
serlo cuando se presenta una situación única, en donde el proceso no va a ser repetido.

CRITERIO DE LO MÁS PROBABLE:  Elige la alternativa con mejor valor para el estado más probable, es
decir, visto cuál es el estado más probable se elige la alternativa con mejor valor en ese estado.
Este criterio se suele utilizar más cuando el proceso de decisión no es iterativo, es decir, se lleva a cabo
una única vez.

CRITERIO DEL ESCENARIO MEDIO:  Cuando el espacio de estados es numérico, en ocasiones se puede
establecer un escenario medio y buscar aquella alternativa óptima para este escenario.  Tiene sentido
aplicarlo sobre todo con distribuciones continuas (espacio de estados infinito).
Si las consecuencias son proporcionales al estado, es un criterio equivalente al del valor esperado.
No es un criterio muy aconsejable, dado que el escenario medio puede distar mucho de los escenarios
reales, aunque en ocasiones se utiliza para simplificar el procedimiento.

CRITERIO DEL VALOR EN RIESGO VaR (Value at risk):  Es especialmente útil cuando el conjunto de
estados de la naturaleza o escenarios es continuo o al menos tiene un número de posibles escenarios
muy elevado.
Se fundamenta en que generalmente el decisor tiene aversión por el riesgo, mientras que para
cantidades que superan un umbral las diferencias no le importan tanto.
El VaR es un percentil de la distribución de la función de utilidad.
En esta línea, si se trata del rendimiento de una inversión, el VaR sería el percentil  α , de modo que
el  (100 − α)%  de las veces se espera superar ese valor. Por tanto, se eligirá la opción que tenga un
VaR mayor (al contrario si fueran costes).
Habitualmente en finanzas se maneja un VaR del 5%, y en ocasiones del 10%.
El criterio del VaR suele utilizarse junto al criterio del valor esperado, entrando entonces en el
mundo de la decisión multicriterio.

Portal Estadística Aplicada:  Teoría de la Decisión  8
VALOR ESPERADO DE LA INFORMACIÓN PERFECTA (VEIP):  Se plantea la idea en que podría modificase
el conocimiento que se tiene acerca de los estados de la naturaleza o escenarios.
La modificación podría conllevar un coste y surgen las preguntas: ¿Qué valor tiene disponer de esta
información?, ¿Cuánto se está dispuesto a pagar por ella?.
Hay que considerar que con mayor información la ganancia esperada será mayor.

⎛ Ganancia esperada ⎞ ⎛ Máxima Ganancia ⎞
                  VEIP = ⎜ ⎟  −  ⎜ ⎟
⎝ con información perfecta ⎠ ⎝ esperada ⎠

⎛ Ganancia esperada            ⎞
⎜ ⎟ ≡  Esperanza tomando para cada estado la mejor opción:
⎝ con información perfecta ⎠

⎛ Máxima Ganancia ⎞
⎜ ⎟ ≡  Dada la decisión elegida, esperanza de la ganancia
⎝ esperada ⎠

Una empresa necesita contratar un ingeniero informático. En un proceso preliminar optan
cuatro candidatos, que difieren en conocimientos y formación,  algunos tienen una
orientación técnica y otros una orientación directiva.
Como los sistemas informáticos de apoyo para la gestión del conocimiento son nuevos, la empresa
desconoce si sus clientes demandarán servicios de orientación técnica, de orientación directiva o
orientación equilibrada entre ambas orientaciones.
El departamento de recursos humanos ha elaborado una tabla para determinar el rendimiento en
unidades monetarias de cada candidato en función del conocimiento y formación, así como del tipo de
clientes. Por su parte, el departamento de marketing ha determinado la probabilidad de que la
demanda sea técnica, directiva o equilibrada.
Beneficios esperados por empleado según perfil profesional
y tipo de conocimientos demandados
Rendimiento esperado en millones de euros anuales
Orientación técnica Orientación directiva Orientación equilibrada
1 2 3
Candidatos
p1 = 0,25 p2 = 0,4 p3 = 0,35
C1 10 3 5
C2 5 8 2
C3 1 9 15
C4 2 16 3

Las distintas alternativas seleccionadas para los distintos criterios serán:

Portal Estadística Aplicada:  Teoría de la Decisión  9
♦ Criterio de la Ganancia esperada:  Selecciona la alternativa cuyo beneficio esperado sea mejor.

⎧C1 : 10 . 0,25 + 3 . 0,4 + 5 . 0,35 = 5,45 


⎪ C : 5 . 0,25 + 8 . 0,4 + 2 . 0,35 = 5,15   
⎪ 2
Las ganancias esperadas son:   ⎨
⎪ C 3 : 1 . 0,25 + 9 . 0,4 + 15 . 0,35 = 9,1   
⎪⎩ C 4 : 2 . 0,25 + 16 . 0,4 + 3 . 0,35 = 7,95
Con lo que la decisión óptima es elegir al candidato  C3

♦ Criterio de lo más probable:  El estado más probable es la Orientación directiva, y para este estado

la mejor alternativa es elegir al candidato  C 4

♦ Criterio de Laplace o de Igualdad  de Verosimilitud:  Solo se aplica cuando todos los escenarios
tienen la misma probabilidad de ocurrir. Sería necesario suponer que cada escenario (Orientación
técnica, Orientación directiva y Orientación equilibrada) tiene una probabilidad de ocurrir de  (1 / 3) .
Con este supuesto:
C1 :   10 . (1 / 3) + 3 . (1 / 3) + 5 . (1 / 3) = 6 millones
C 2 :   5 . (1 / 3) + 8 . (1 / 3) + 2 . (1 / 3) = 5 millones
C 3 :   1 . (1 / 3) + 9 . (1 / 3) + 15 . (1 / 3) = 8,3 millones
C 4 :   2 . (1 / 3) + 16 . (1 / 3) + 3 . (1 / 3) = 7 millones
Se eligiría al candidato  C 3

♦ Criterio Maximax o Optimista:  Se piensa que de cada alternativa va a pasar lo mejor.
Los máximos para cada candidato son:
C1 :  10 millones para los clientes  que demandan servicios de orientación técnica
C 2 :  8 millones para los clientes que demandan servicios de orientación directiva
C 3 :  15 millones para los clientes que demandan servicios de orientación equilibrada
C 4 :  16 millones para los clientes que demandan servicios de orientación directiva

♦ Criterio de Wald o Minimax‐Maximin o Pesimista:  Se supone que de cada alternativa va a pasar lo
peor. Los mínimos para cada candidato son:
C1 :  3 millones para los clientes  que demandan servicios de orientación directiva
C 2 :  2 millones para los clientes que demandan servicios de orientación equilibrada
C 3 :  1 millón para los clientes que demandan servicios de orientación técnica
C 4 :  2 millones para los clientes que demandan servicios de orientación técnica

♦ Criterio de Hurwicz o Optimismo Parcial:  Se establece un coeficiente de ponderación que mide el
nivel de optimismo  α = 1 / 3  y el nivel de pesimismo  (1 − α) = 2 / 3 , sintetizando ambos métodos.
C1 :   10 . (1 / 3) + 3 . (2 / 3) = 5,3 millones
C 2 :   8 . (1 / 3) + 2 . (2 / 3) = 4 millones
C 3 :   15 . (1 / 3) + 1 . (2 / 3) = 5,7 millones
C 4 :   16 . (1 / 3) + 2 . (2 / 3) = 6,6 millones

Portal Estadística Aplicada:  Teoría de la Decisión  10
Con este criterio de optimismo parcial se elige al candidato  C 4

♦ Criterio de Savage o Costes de oportunidad o Pérdida de Oportunidad Esperada (POE):  El primer paso
es construir la matriz de penalizaciones o costes de oportunidad.
La matriz se forma por columnas, obteniendo el máximo de cada columna y restándole a este valor el
pago de cada alternativa.
Cuando se obtiene la matriz de penalizaciones se aplica el criterio Wald o Minimax para minimizar la
máxima penalización.

Orientación técnica Orientación directiva Orientación equilibrada


p1 = 0,25 p2 = 0,4 p3 = 0,35
C1 10 − 10 = 0 16 − 3 = 13 15 − 5 = 10
Oportunidad
Coste de

C2 10 − 5 = 5 16 − 8 = 8 15 − 2 = 13
C3 10 − 1 = 9 16 − 9 = 7 15 − 15 = 0
C4 10 − 2 = 8 16 − 16 = 0 15 − 3 = 12

A partir de la matriz de penalizaciones se elabora las pérdidas de oportunidad esperadas asociadas a
cada alternativa:

POE (C1 ) = 0 . 0,25 + 13 . 0,4 + 10 . 0,35 = 8,7 millones


POE (C 2 ) = 5 . 0,25 + 8 . 0,4 + 13 . 0,35 = 9 millones     
POE (C 3 ) = 9 . 0,25 + 7 . 0,4 + 0 . 0,35 = 5,05 millones 
POE (C 4 ) = 8 . 0,25 + 0 . 0,4 + 12 . 0,35 = 6,2 millones 

Se elige la alternativa  C 3  por tener el  POE que produce menor pérdida.

♦ Valor esperado de la información perfecta (VEIP):  La ganancia esperada con información perfecta es
la esperanza de la ganancia tomando para cada estado la mejor opción:
10 . 0,25 + 0, 4 . 16 + 0,35 . 15 = 14,15  millones

Si la decisión es  C 3 , la máxima ganancia esperada:  1 . 0,25 + 9 . 0, 4 + 15 . 0,35 = 9,1

⎛ Ganancia esperada ⎞ ⎛ Máxima Ganancia ⎞
VEIP = ⎜ ⎟   −  ⎜ ⎟ = 14,15 − 9,1 = 5,05  millones
⎝ con información perfecta ⎠ ⎝ esperada ⎠
VEIP se puede entender como lo que se está dispuesto a pagar por tener la certeza del estado que se va
a dar (valor de la información)

Adviértase que   VEIP = POE(C 3 ) = 5,05 millones

Portal Estadística Aplicada:  Teoría de la Decisión  11
   La afluencia de turistas en el verano de un país depende de la estabilidad social y política de los meses
precedentes. Para planificar su actividad, una empresa debe decidir el volumen de producción de un
producto típico con caducidad anual.
En tres escenarios distintos, se estiman los beneficios medios (en millones de euros) que tendría la
empresa si produjeran 10.000, 20.000 0o 30.000 unidades, así como la estimación de las probabilidades
de que se presenten cada uno de los escenarios, obteniéndose la tabla:

Producción Escenarios socio‐políticos
(número Estabilidad Conflictividad baja Conflictividad alta
unidades) p1 = 0,6 p2 = 0,3 p3 = 0,1
10.000 10 10 2
20.000 25 5 − 10
30.000 40 −5 − 20

a)  ¿Qué decisión debe adoptar la empresa?
b)  ¿Cuánto estaría dispuesta a pagar la empresa por la elaboración de un informe especializado
sobre la futura situación socio‐política del país?
Solución:
a)  Las decisiones en situaciones bajo riesgo, donde se conocen o pueden estimarse las
probabilidades asociadas a cada uno de los estados o escenarios, se determina el Valor Monetario
Esperado (VME) para cada alternativa, eligiendo aquella que hace máximo este valor.
m
VME (Di ) = ∑ xi j . p j
j=1

3
VME (D1 ) = ∑ x1 j . p j = 10 . 0,6 + 10 . 0,3 + 2 . 0,1 = 9,2  millones euros   
j=1
3
VME (D2 ) = ∑ x2 j . p j = 25 . 0,6 + 5 . 0,3 − 10 . 0,1 = 15,5  millones euros 
j=1
3
VME (D3 ) = ∑ x1 j . p j = 40 . 0,6 − 5 . 0,3 − 20 . 0,1 = 20,5  millones euros
j=1

Como el valor máx VME(Di ) = VME(D3 ) = 20,5  millones de euros , la empresa debería producir


30.000 unidades.
Se podía haber analizado el VME mediante el criterio de Savage o Costes de oportunidad o Pérdida
de Oportunidad Esperada (POE), construyendo la matriz de penalizaciones.
La matriz se forma por columnas, obteniendo el máximo de cada columna y restándole a este valor
el pago de cada alternativa.
Cuando se obtiene la matriz de penalizaciones se aplica el criterio Wald o Minimax para minimizar la
máxima penalización.

Portal Estadística Aplicada:  Teoría de la Decisión  12
Producción Escenarios socio‐políticos
(número Estabilidad Conflictividad baja Conflictividad alta
unidades) p1 = 0,6 p2 = 0,3 p3 = 0,1
10.000 40 − 10 = 30 10 − 10 = 0 2−2= 0
20.000 40 − 25 = 15 10 − 5 = 5 2 − (−10) = 12
30.000 40 − 40 = 0 10 − (−5) = 15 2 − (−20) = 22

A partir de la matriz de penalizaciones se elabora las pérdidas de oportunidad esperadas asociadas a
cada alternativa:

POE (D1 ) = 30 . 0,6 + 0 . 0,3 + 0 . 0,1 = 18 millones de euros      


POE (D2 ) = 15 . 0,6 + 5 . 0,3 + 12 . 0,1 = 11,7 millones de euros
POE (D3 ) = 0 . 0,6 + 15 . 0,3 + 22 . 0,1 = 6,7 millones de euros 

Se elige la alternativa  D3 = 30.000 unidades que es la que produce menor pérdida.

De otra parte, la cantidad máxima que la empresa estaría dispuesta a pagar por el informe será el nuevo
valor esperado de la información perfecta, que se obtiene:

VEIP = POE(D3 ) = 6,7 millones de euros

b)  La empresa estaría dispuesta a pagar como máximo por el informe  el valor de la información con la
que estaría segura de elegir la alternativa correcta, esto es, el VEIP (Valor Esperado de la Información
Perfecta).

⎛ VMEIP ⎞ ⎛ máx VME ⎞


⎜ ⎟ ⎜ ⎟
VEIP = ⎜ Ganancia esperada ⎟   −   ⎜ Máxima Ganancia ⎟
⎜ con información perfecta ⎟ ⎜ esperada ⎟
⎝ ⎠ ⎝ ⎠
n m
VMEIP (Di ) = ∑ ∑ máx xi j (p j ) . p j
i
i=1j=1

3
VMEIP (D1 ) = ∑ máx
i
xi1 (p j ) . p j = 40 . 0,6 = 24  millones euros 
j=1
3
VMEIP (D2 ) = ∑ máx
i
xi2 (p j ) . p j = 10 . 0,3 = 3  millones euros   
j=1
3
VMEIP (D3 ) = ∑ máx
i
xi3 (p j ) . p j = 2 . 0,1 = 0,2  millones euros 
j=1
3 3
VMEIP (Di ) = ∑ ∑ máx xij (p j ) . p j = 24 + 3 + 0,2 = 27,2  millones euros
i
i=1j=1

El valor monetario esperado máximo era  VME (D3 ) = 20,5  millones de euros , por tanto:

Portal Estadística Aplicada:  Teoría de la Decisión  13
VEIP = VMEIP − máx VME = 27,2 − 20 = 7,2  millones de euros ,  cantidad que estaría dispuesta a
pagar como máximo la empresa por el informe sobre la futura situación del país.

El problema se puede resolver mediante
un árbol de decisión:

Para elegir la alternativa que dé un beneficio máximo esperado hay que calcular el valor esperado
de los nodos de acontecimientos A, B y C.

E(A) = VME(A) = 10 . 0,6 + 10 . 0,3 + 2 . 0,1 = 9,2  millones euros  


E(B) = VME(B) = 25 . 0,6 + 5 . 0,3 − 10 . 0,1 = 15,5  millones euros 
E(C) = VME(C) = 40 . 0,6 − 5 . 0,3 − 20 . 0,1 = 20,5  millones euros

El valor monetario asociado al punto de decisión D es el máximo de los valores monetarios
esperados en las tres alternativas:
VME (D) = máx (9,2 , 15,5 , 20,5) = 20,5 millones euros

Que corresponde a la alternativa  D3 , producir 30.000 unidades,  obtenida por el criterio del máximo
valor monetario esperado.

Portal Estadística Aplicada:  Teoría de la Decisión  14
  Una empresa se plantea la construcción de diversos establecimientos hosteleros en una próxima
urbanización residencial. Sabiendo que el proyecto de urbanización consta de tres fases, los técnicos de
la empresa estiman los beneficios o pérdidas medias anuales según se acometan las fases de la
urbanización. Los resultados expresados en millones de euros, se reflejan en la siguiente tabla:

Estados de la naturaleza
Alternativas
Construcción I Fase Construcción II Fase Construcción III Fase
  R:  Restaurante 12 35 56
  HR:  Hotel ‐ Restaurante 30 25 38
  C:  Complejo − 10 8 120

Obtener la decisión óptima que debe adoptar la empresa, según los diferentes criterios de decisión.
Solución:
Se trata de un problema de decisión baja incertidumbre, al desconocer las probabilidades asociadas
a cada estado de la naturaleza.
♦ Criterio de Laplace o de Equiprobabilidad:  Se supone que todos los estados de la naturaleza son
igualmente probables y se calcula la media aritmética de cada una de las decisiones que se se
pueden tomar, eligiendo aquella que le corresponda el resultado medio más elevado.  Cuando los
resultados sean negativos se elige el menos desfavorable.
El VME (Valor Monetario Esperado) para cada alternativa será:
3
1 1 1
VME (D1 ) = ∑ x1 j . p j = 12 . 3 + 35 . 3 + 56 . 3 = 34,333  millones euros    
j=1
3
1 1 1
VME (D2 ) = ∑ x2 j . p j = 30 . 3 + 25 . 3 + 38 . 3 = 31  millones euros            
j=1
3
1 1 1
VME (D3 ) = ∑ x1 j . p j = −10 . 3 + 8 . 3 + 120 . 3 = 39,333    millones euros
j=1

La decisión óptima es  D3 , en consecuencia, se construye el complejo hotelero.

♦ Criterio Maximax o Optimista:  Se piensa que de cada alternativa va a pasar lo mejor.
Los máximos para cada alternativa son:
R :  56 millones anuales en la construcción de la III Fase
HR:  38 millones anuales en la construcción de la III Fase
C :  120 millones anuales en la construcción de la III Fase
Se eligiría como óptima la alternativa C que podría proporcionar los mayores beneficios: 120
millones de euros anuales. Así pues, desde el criterio Maximax, la empresa construiría un complejo
integrado por restaurante, hotel e instalaciones deportivas.

Portal Estadística Aplicada:  Teoría de la Decisión  15
♦ Criterio de Wald o Pesimista:  Se supone que de cada alternativa va a pasar lo peor. Los mínimos para
cada alternativa son:
R :  12 millones anuales en la construcción de la I Fase
HR:  25 millones anuales en la construcción de la II Fase
C :   − 10 millones anuales en la construcción de la I Fase
La alternativa óptima según el criterio de Wald es aquella que proporcione la mejor situación posible
entre las peores que pudieran presentarse, con lo cual se eligiría la alternativa HR, es decir, construir un
hotel con servicio de restaurante.

♦ Criterio de Hurwicz o Optimismo Parcial:  Se establece un coeficiente de ponderación que mide el nivel
de optimismo  α  y el nivel de pesimismo  (1 − α) ,  0 ≤ α ≤ 1 .

Para cada alternativa se calcula la combinación convexa:   k (Di , α) = α . mín xij + (1 − α) . máx xij


j j

La alternativa óptima D i para un  α  fijado, será aquella que:   k (D i , α) = máx k (Di , α)


i

Alternativas mín xi j máx xi j k (Di , α) = α . mín xi j + (1 − α) . máx xi j


j j
j j

D1 12 56 k (D1 , α) = α . 12 + (1 − α) . 56 = 56 − 44 α

D2 25 38 k (D2 , α) = α . 25 + (1 − α) . 38 = 38 − 13 α

D3 − 10 120 k (D3 , α) = − α . 10 + (1 − α) . 120 = 120 − 130 α

Para calcular la alternativa óptima se representan gráficamente las rectas  k (Di , α) , calculando


previamente los puntos de corte:

⎧k (D1 , α) = 56 − 44 α 18
⎨ → 56 − 44 α = 38 − 13 α → α = = 0,581
⎩k (D2 , α) = 38 − 13 α 31

⎧ k (D1 , α) = 56 − 44 α      64
⎨ → 56 − 44 α = 120 − 130 α → α = = 0,744
⎩k (D3 , α) = 120 − 130 α 86

⎧ k (D2 , α) = 38 − 13 α      82
⎨ → 38 − 13 α = 120 − 130 α → α = = 0,701
⎩k (D3 , α) = 120 − 130 α 117

La representación gráfica de las rectas para valores de  α ,  0 ≤ α ≤ 1

Portal Estadística Aplicada:  Teoría de la Decisión  16
Las alternativas que se eligirán dependen de los valores de  α :

Sí   0 ≤ α < 0,701 → D i = D3   La empresa decide  D3 , esto es, construir el complejo

Sí   α = 0,701 → D i = D3 ó D i = D2    La empresa es indiferente en construir el


Hotel‐Restaurante o el Complejo

Sí   0,701 < α ≤ 1 → D i = D2   La empresa decide  D2 , es decir, construir el Hotel‐Restaurante

♦ Criterio de Savage o Costes de oportunidad o Pérdida de Oportunidad Esperada (POE):  El primer
paso es construir la matriz de penalizaciones o costes de oportunidad.
La matriz se forma por columnas, obteniendo el máximo de cada columna y restándole a este valor
el valor correspondiente de cada alternativa.

Estados de la naturaleza
Alternativas
Construcción I Fase Construcción II Fase Construcción III Fase
  R:  Restaurante 30 − 12 = 18 35 − 35 = 0 120 − 56 = 64
  HR:  Hotel ‐ Restaurante 30 − 30 = 0 35 − 25 = 10 120 − 38 = 82
  C:  Complejo 30 − (−10) = 40 35 − 8 = 27 120 − 120 = 0

Obtenida la matriz de penalizaciones se aplica el criterio Wald o Minimax para minimizar la máxima
penalización.

Portal Estadística Aplicada:  Teoría de la Decisión  17
Estados de la naturaleza
Alternativas
Construcción I Fase Construcción II Fase Construcción III Fase
  R:  Restaurante 18 0 64
  HR:  Hotel ‐ Restaurante 0 10 82
  C:  Complejo 40 27 0

R :  64 millones anuales en la construcción de la I Fase
HR:  82 millones anuales en la construcción de la II Fase
C :  40 millones anuales en la construcción de la I Fase

La decisión óptima es  C  →  Construir el complejo hotelero.

   Mientras que se realizan las obras de remodelación de un tramo del metro de Madrid, el
Ayuntamiento ofrece a una empresa particular de transporte la posibilidad de prestar el servicio público
por carretera. Para ello, plantea dos posibilidades:  Alquilar los autobuses al Ayuntamiento para que
éste el que gestione el servicio.  O bien, un régimen de concesión para que el servicio fuera gestionado
por la propia empresa.
Los beneficios de la empresa están sujetos a la fecha de finalización de las obras del metro.
Su departamento comercial estima que si se realiza el alquiler de autobuses se obtendrían unos
beneficios de seis millones de euros si las obras finalizan antes de la fecha prevista, cuatro millones de
euros si acaban en la fecha prevista, y unas pérdidas de dos millones de euros si finalizan con
posterioridad.
En caso de que la empresa optase por la concesión y gestionar directamente el servicio, para cada
situación anterior, se obtendrían, respectivamente, una pérdida de 3 millones de euros, y beneficios de
seis y siete millones de euros.
Por otro lado, la empresa estima que si rechaza la oferta del Ayuntamiento, aumentando el servicio en
las líneas que tiene,  podría obtener unos beneficios de un millón de euros.
¿Qué alternativa eligiría la empresa con un criterio pesimista?
Solución:
La empresa tiene tres alternativas:

D1 ≡ Alquilar los autobuses del Ayuntamiento     
D2 ≡ Gestionar el servicio                                        
D3 ≡ Aumentar el servicio de las líneas que tiene

Con tres estados de la naturaleza o escenarios:

E1 ≡ Las obras finalizan antes de la fecha prevista     
E2 ≡ Las obras finalizan en la fecha prevista                
E3 ≡ Las obras finalizan después de la fecha prevista

Portal Estadística Aplicada:  Teoría de la Decisión  18
Estados de la naturaleza
Alternativas
E1 E2 E3
D1 6 4 −2
D2 −3 6 7
D3 1 1 1

No se conocen las probabilidades asociadas a cada estado de la naturaleza, con lo que se trata de un
problema de decisión bajo incertidumbre.
Para clasificar las alternativas con un criterio pesimista se utiliza el Criterio de Hurwicz:  Se establece un
coeficiente de ponderación que mide el nivel de optimismo  α  y el nivel de pesimismo  (1 − α) ,  0 ≤ α ≤ 1 .

Para cada alternativa se calcula la combinación convexa:   k (Di , α) = α . mín xi j + (1 − α) . máx xi j


j j

La alternativa óptima D i para un  α  fijado, será aquella que:   k (D i , α) = máx k (Di , α)


i

Alternativas mín xi j máx xi j k (Di , α) = α . mín xi j + (1 − α) . máx xi j


j j
j j

D1 −2 6 k (D1 , α) = −2 . α + 6 . (1 − α) = 6 − 8 α

D2 −3 7 k (D2 , α) = −3 . α + 7 . (1 − α) = 7 − 10 α

D3 1 1 k (D3 , α) = α + (1 − α) = 1

Para calcular la alternativa óptima se representan gráficamente las rectas  k (Di , α) , calculando


previamente los puntos de corte:

⎧k (D1 , α) = 6 − 8 α    1
⎨ → 6 − 8 α = 7 − 10 α → α = = 0,5
⎩k (D2 , α) = 7 − 10 α 2

⎧k (D1 , α) = 6 − 8 α      5
⎨ → 6 − 8 α = 1 → α = = 0,625
⎩ k (D3 , α) = 1              8

⎧k (D2 , α) = 7 − 10 α      6
⎨ → 7 − 10 α = 1 → α = = 0,6
⎩ k (D3 , α) = 1                10

La representación gráfica de las rectas para valores de  α ,  0 ≤ α ≤ 1

Portal Estadística Aplicada:  Teoría de la Decisión  19
0 ≤ α < 0,5 → D i = D2 > D1 > D3
α = 0,5 → D i = D2 = D1 > D3
0,5 < α < 0,6 → D i = D1 > D2 = D3
0,5 < α < 0,625 → D i = D1
α = 0,6 → D i = D1 > D2 > D3
0,6 < α < 0,625 → D i = D1 > D3 > D2
α = 0,625 → D i = D1 = D3 > D2
0,625 < α ≤ 1 → D i = D3 > D1 > D2

   Una empresa considera contratar a un experto en ingeniería para planificar una táctica de
operaciones. Una buena planificación conllevaría unos beneficios de 1.000.000 de euros, mientras que si
la planificación no es buena acarrearía unas pérdidas de 400.000 euros.
El jefe de recursos humanos estima que la probabilidad de que un experto realice una adecuada
panificación es del 75%. Antes de contratar al experto en ingeniería, contempla la opción de realizar
unas pruebas de idoneidad al candidato, pruebas que tienen una fiabilidad del 80% para determinar el
éxito del candidato en la panificación de operaciones.
Determinar la decisión óptima de la empresa, así como el coste que puede asumir para realizar la
prueba de idoneidad.
Solución:

               Alternativas    Estados de la naturaleza
  Buena Planificación
Contratar experto ingeniería
Mala Planificación
   No contratar experto ingeniería
  Candidato idóneo
Hacer pruebas idoneidad
Candidato No idóneo

Portal Estadística Aplicada:  Teoría de la Decisión  20
Árbol de decisión:

Sean los estados de la naturaleza:

C ≡ Candidato idóneo            C ≡ Candidato No idóneo
BP ≡ Buena Planificación       BP ≡ Mala Planificación
Probabilidades a priori y probabilidades condicionadas según el enunciado:

P(BP) = 0,75    P(BP) = 0,25


P(C / BP) = 0,8 P(C / BP) = 0,2 P(C / BP) = 0,2 P(C / BP) = 0,8

Se utiliza el teorema de Bayes para asignar probabilidades a posteriori de cada estado de la
naturaleza  (Planificación sea buena o mala)  y acontecimientos (Candidato idóneo o no).

Portal Estadística Aplicada:  Teoría de la Decisión  21
La probabilidad a priori de cada acontecimiento será:

P(C) = P(BP ∩ C) + P(BP ∩ C) = 0,75 . 0,8 + 0,25 . 0,2 = 0,65


P(C) = 1 − P(C) = 1 − 0,65 = 0,35

Probabilidades a priori son:

P(BP) = 0,75    P(BP) = 0,25 P(C) = 0,65 P(C) = 0,35

Probabilidades condicionadas a posteriori:

P(BP) . P(C / PB) 0,75 . 0,8


P(BP / C) = = = 0,923
P(C) 0,65
P(BP / C) = 1 − P(BP / C) = 1 − 0,923 = 0,077

P(BP) . P(C / PB) 0,75 . 0,2


P(BP / C) = = = 0, 429
P(C) 0,35
P(BP / C) = 1 − P(BP / C) = 1 − 0, 429 = 0,571

Se determinan los beneficios esperados de cada alternativa, resolviendo el árbol de decisión de
derecha a izquierda.
Para ello, dado que la etapa final es probabilística, se aplica la esperanza matemática.

Portal Estadística Aplicada:  Teoría de la Decisión  22
1.000.000 x 0,75 + (− 400.000 x 0,25) = 650.000  euros
1.000.000 x 0,923 + (− 400.000 x 0,077) = 892.200  euros
1.000.000 x 0, 429 + (− 400.000 x 0,571) = 200.600  euros

Haciendo las pruebas, el beneficio esperado será:
892.200 x 0,65 + 200.600 x 0,35 = 650.140  euros

Portal Estadística Aplicada:  Teoría de la Decisión  23
La decisión óptima para la empresa es hacer las pruebas para determinar la idoneidad del candidato. Si el
candidato es idóneo debe contratarlo.  En otro caso, si el candidato no es idóneo, también debe
contratarlo.
Al tomar esta decisión el beneficio esperado es de 650.140 euros.

Valor Información  = 650.140 − 650.000 = 140 euros 


El coste que puede asumir la empresa para realizar las pruebas de idoneidad es como máximo de 140
euros.

Portal Estadística Aplicada:  Teoría de la Decisión  24
  El gerente de una empresa tiene que optar por vender un nuevo artículo que está desarrollando el
departamento de I + D  a una compañía internacional por 100 millones de euros, poner en marcha una
prueba de mercado antes de tomar una decisión, o bien, iniciar una campaña de marketing del nuevo
artículo para adelantarse a la competencia..
El departamento de recursos humanos estima que las prueba de mercado del nuevo artículo ascienden
a 8 millones de euros con un 60% de probabilidades de tener resultados favorables, en cuyo caso el
valor del nuevo artículo sería de 40 millones de euros. En caso de ser desfavorables, en uno de cada
cinco casos, pueden encontrarse soluciones alternativas, tomando el nuevo artículo un valor de 20
millones de euros.  En caso de tener un resultado favorable, se estiman unos gastos de comercialiación
de 5 millones de euros.
Por otro lado, la probabilidad de que el gerente adopte la campaña de marketing del nuevo artículo se
estima de una entre cuatro.  Si optara por esta decisión, los resultados esperados con éxito son de 160
millones de euros. En caso de un resultado desfavorable, existe la posibilidad de encontrar soluciones
alternativas para el artículo, en uno de cada cinco casos, en cuyo caso el valor del artículo sería de 80
millones de euros. La alternativa de marketing requiere llevar a cabo las pruebas de mercado y la
comercialización del artículo, tanto si el artículo tiene o no tiene éxito.
¿Qué decisión debe adoptar el gerente de la empresa?
Solución:

Alternativas Estados de la naturaleza      Alternativas


Vender artículo
  Resultado favorable prueba Comercializa
 Marketing
  Resultado desfavorable prueba No Comercializa
  Resultado favorable prueba Comercializa
 Prueba de Mercado
  Resultado desfavorable prueba No Comercializa

Portal Estadística Aplicada:  Teoría de la Decisión  25
En el árbol de decisión se reflejan las probabilidades a priori de cada uno de los estados de la
naturaleza, así como el beneficio de cada una de las ramas.

⎛ Beneficio ⎞ ⎛ Valor del producto ⎞ ⎛ 8 millones ⎞ ⎛ 5 millones ⎞


⎜ ⎟=⎜ ⎟−⎜ ⎟−⎜ ⎟
⎝ en cada rama ⎠ ⎝ en cada rama ⎠ ⎝ Prueba de Mercado ⎠ ⎝ Comercialización ⎠

Portal Estadística Aplicada:  Teoría de la Decisión  26
El árbol de decisión se resuelve de derecha a izquierda.
En la tercera etapa para determinar el beneficio esperado de cada alternativa se aplica la esperanza
matemática
147 x 0,6 + (−13) x 0, 4 = 83 millones euros
67 x 0,2 + (−13) x 0,8 = 3 millones euros
27 x 0,6 + (−13) x 0, 4 = 11 millones euros
7 x 0,2 + (−13) x 0,8 = −9 millones euros

Portal Estadística Aplicada:  Teoría de la Decisión  27
De derecha a izquierda.
En la segunda etapa, si es probabilística se aplica el criterio del valor esperado. Por el contrario, si es
determinista y dado que los valores calculados son beneficios esperados, se elige la alternativa con
mayor beneficio.
83 x 0,25 + (−8) x 0,75 = 14,75 millones euros
3 x 0,25 + (−8) x 0,75 = −5,25 millones euros

Portal Estadística Aplicada:  Teoría de la Decisión  28
De derecha a izquierda.
En la primera etapa, siendo probabilística se aplica el criterio de la esperanza matemática para
determinar el beneficio esperado de cada alternativa.
14,75 x 0,6 + (−5,25) x 0, 4 = 6,75 millones euros
11 x 0,6 + (−8) x 0, 4 = 3, 4 millones euros

Portal Estadística Aplicada:  Teoría de la Decisión  29
Finalmente, resolviendo la última etapa, se elige la alternativa cuyo beneficio sea mayor,  dado que
es una etapa determinista y los valores calculados son beneficios esperados.
La decisión del gerente de la empresa es vender el nuevo artículo a la compañía internacional
obteniendo un beneficio de 100 millones de euros

Portal Estadística Aplicada:  Teoría de la Decisión  30
  Una multinacional tecnológica se plantea abrir una sucursal española, analizando si debe de ser
grande o pequeña y si reúne información sobe las ventas previstas. Recoger información sobre las
ventas previstas para aconsejar un mercado creciente o decreciente tiene un coste de 500.000
euros, con una probabilidad del 60% de que la información sea favorable.
Si el mercado es creciente las ganancias previstas son de 9.000.000 euros si la sucursal es grande y
3.000.000 si es pequeña. Si el mercado es decreciente puede perder 10.000.000 euros si la sucursal
es grande y 5.000.000 euros si es pequeña.
En caso de no reunir información, se estima una probabilidad del 60% de que el mercado sea
creciente. Con un informe favorable la probabilidad de un mercado creciente sería del 80%, al
mismo tiempo que un informe desfavorable disminuiría la probabilidad de un mercado creciente al
40%.
¿Qué decisión debe tomar la multinacional?
Solución:
La multinacional tiene dos alternativas de decisión:
a)  Reunir información adicional sobre las ventas previstas
b)  No reunir información sobre las ventas previstas
Los estados de la naturaleza asociados a cada alternativa son:

Alternativas    Estados de la naturaleza
  Grande
Favorable
Pequeña
 Con información
  Grande
Desfavorable
Pequeña

Sucursal grande   Mercado creciente
Mercado decreciente
 Sin información
Sucursal pequeña   Mercado creciente
Mercado decreciente

Portal Estadística Aplicada:  Teoría de la Decisión  31
Se crea el árbol de decisión, asignando
las probabilidades a priori de cada uno
de los estados de la naturaleza.

Se calcula el beneficio de cada una de las ramas del árbol:

Mercado creciente Mercado decreciente
Sucursal grande 9.000.000 euros − 10.000.000 euros
Sucursal pequeña 3.000.000 euros − 5.000.000 euros

Portal Estadística Aplicada:  Teoría de la Decisión  32
Se resuelve el árbol de decisión hacia atrás (de derecha a izquierda). Siendo la etapa final probabilista,
para determinar el beneficio esperado de cada alternativa se aplica el criterio de la esperanza
matemática:
9.000.000 x 0,6 + (−10.000.000 x 0, 4) = 1.400.000 euros
3.000.000 x 0,6 + (−5.000.000 x 0, 4) = − 200.000 euros
8.500.000 x 0,8 + (−10.500.000 x 0,2) = 4.700.000 euros
            
2.500.000 x 0,8 + (−5.500.000 x 0,2) = 900.000 euros
8.500.000 x 0, 4 + (−10.500.000 x 0,6) = − 2.900.000 euros
2.500.000 x 0, 4 + (−5.500.000 x 0,6) = − 2.300.000 euros

Portal Estadística Aplicada:  Teoría de la Decisión  33
La penúltima etapa sin información es determinista por lo que se elige la alternativa cuyo beneficio
es mayor  (1.400.000 euros) .

La penúltima etapa con información es probabilista por lo que se tiene que aplicar el criterio de la
esperanza matemática para determinar el beneficio esperado.
4.700.000 x 0,6 + (−2.300.000 x 0, 4) = 1.900.000 euros

Portal Estadística Aplicada:  Teoría de la Decisión  34
El beneficio esperado con reunir información es de 1.900.000 euros, mientras que sin reunir
información es de 1.400.000 euros. En consecuencia, la multinacional tiene que tener información
sobre las ventas previstas.
Por otra parte, si la información resulta favorable debe abrir una sucursal grande. En otro caso, tiene
que abrir una sucursal pequeña.

Portal Estadística Aplicada:  Teoría de la Decisión  35
   Una empresa requiere materias primas necesarias para su proceso de producción en cantidad suficiente
para un mes o dos meses. El coste actual de la materia prima para un mes es de 356 miles de duros.
Según la evolución del mercado internacional de esta materia prima, su precio puede aumentar un 10% con
probabilidad 0,4  o disminuir con probabilidad 0,6.
La empresa puede recurrir a un equipo de simulación que facilita información sobre la evolución del
mercado con una fiabilidad del 90%.  El coste del precio del equipo de simulación por consulta se negocia
con el cliente.
a)  ¿Cuándo será conveniente solicitar el informe del equipo?
b)  ¿Qué decisiones debe tomar la empresa en cuanto a la solicitud o no del informe y a la adquisición de
materias primas?
Solución:
a)  En el árbol de decisión se reflejan las probabilidades a priori de cada uno de los estados de la naturaleza,
así como el coste de cada una de las ramas.
Como los resultados son costes, en los nodos de decisión hay que obtener el mínimo valor esperado de cada
una de las ramas.
Cálculo del coste total por ramas:
ƒ   Si la empresa decide comprar para un mes, subiendo el precio un 10%, el coste final del segundo mes,
    será:   356 + 356 x 1,10 = 747,6  miles de euros

ƒ   Si la empresa decide comprar para un mes, bajando el precio un 10%, el coste final del segundo mes,
    será:   356 + 356 x 0,90 = 676, 4  miles de euros

ƒ   Si la empresa decide comprar para los dos meses, el coste total sería:   356 x 2 = 712  miles de euros

Probabilidades a priori:  Sean los estados de la naturaleza o sucesos:
S ≡  Subida del 10% de la materia prima → P(S) = 0, 4
     
S ≡  Bajada del 10% de la materia prima → P(S) = 0,6

Como el equipo que se consulta acierta un 90% de las veces, se definen los sucesos:
PS ≡  Equipo predice subida de precios PS ≡  Equipo predice bajada de precios

Portal Estadística Aplicada:  Teoría de la Decisión  36
Para calcular  P(PS)  y  P(PS)  se recurre a la probabilidad total:

P(PS / S) = 0,90 → P(PS / S) = 0,10


P(PS / S) = 0,90 → P(PS / S) = 0,90

P(PS) = P(S) . P(PS / S) + P(S) . P(PS / S) = 0, 4 . 0,9 + 0,6 . 0,1 = 0, 42


P(PS) = 1 − P(PS) = 1 − 0, 42 = 0,58

Portal Estadística Aplicada:  Teoría de la Decisión  37
Las probabilidades a posteriori se determinan aplicando el teorema de Bayes.

P(S) . P(PS / S) 0, 4 . 0,90


i   P(S / PS) = = = 0,857
P(PS) 0, 42
    P(S / PS) = 1 − P(S / PS) = 1 − 0,857 = 0,143

P(S) . P(PS / S) 0, 4 . 0,10


i   P(S / PS) = = = 0,069
P(PS) 0,58
    P(S / PS) = 1 − P(S / PS) = 1 − 0,069 = 0,931

Portal Estadística Aplicada:  Teoría de la Decisión  38
El árbol de decisión se resuelve de derecha a izquierda.
En la tercera etapa, que es probabilística, el coste esperado monetario de la decisión óptima (CEM)
de cada alternativa se determina aplicando la esperanza matemática.
CEM(A) = 747,6 x 0,857 + 676, 4 x 0,143 = 737, 4184
CEM(B) = 747,6 x 0,069 + 676, 4 x 0,931 = 681,3128
CEM(C) = 747,6 x 0, 4 + 676, 4 x 0,6 = 704,88

Como los resultados son costes, en los nodos de decisión (A, B y C) hay que elegir el mínimo valor de
las ramas.

Portal Estadística Aplicada:  Teoría de la Decisión  39
En la segunda etapa, que es determinista,  el coste esperado monetario de la decisión óptima (CEM)
es el mínimo valor de las ramas.

Portal Estadística Aplicada:  Teoría de la Decisión  40
En la primera etapa, el coste esperado monetario de la decisión óptima en el nodo D, que es
probabilística, se determina aplicando la esperanza matemática.
CEM(D) = 712 x 0, 42 + 681,3128 x 0,58 = 694,2014

En consecuencia, se solicitará el informe al equipo de simulación si se negocia como máximo un
precio máximo de:   704,88 − 694,2014 = 10,6786  miles de euros , cantidad que la empresa se
podría ahorrar si el resultado se obtuviera sin consultar a expertos.

Portal Estadística Aplicada:  Teoría de la Decisión  41
b)  Las decisiones que la empresa puede tomar son:
ƒ   Cuando el precio se consulta es superior a 10.678,6 euros no consultaría al equipo de simulación y
    compraría materias primas para un mes.
ƒ   Si el precio de consulta es inferior a 10.678,6 euros, consultaría al equipo de simulación y decidiría en
    función de resultados, es decir:
      Si se predice subida de precios, debería adquirir materias primas para dos meses.
      Si se predice bajada de precios, debería adquirir materias primas para un mes.

Portal Estadística Aplicada:  Teoría de la Decisión  42
Portal Estadística Aplicada:  Teoría de la Decisión
Instrumentos Estadísticos Avanzados
Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández

Portal Estadística Aplicada:  Teoría de la Decisión

También podría gustarte