INTRODUCCIÓN AL ANÁLISIS DE DECISIÓN Las empresas toman muchas decisiones cruciales, por ejemplo la de introducir o no un nuevo producto o dónde

ubicar una nueva planta. El resultado de estas decisiones puede afectar seriamente la rentabilidad futura de la compañía. El campo del análisis de decisión es el marco necesario para tomar este tipo de importantes decisiones. Las empresas toman muchas decisiones cruciales, por ejemplo la de introducir o no un nuevo producto o dónde ubicar una nueva planta. El resultado de estas decisiones puede afectar seriamente la rentabilidad futura de la compañía. El campo del análisis de decisión es el marco necesario para tomar este tipo de importantes decisiones. Una decisión puede definirse como el proceso de elegir la solución para un problema, siempre y cuando existan al menos dos soluciones alternativas. Es evidente que deben llevarse a cabo varias acciones antes de tomar una decisión. Estas actividades pueden resumirse de la siguiente manera (donde T. D.= quien toma las decisiones): Etapa 1. El T. D. se da cuenta que existe un problema. Etapa 2. El T. D. recopila datos acerca del problema. Etapa 3. El T. D. elabora un modelo que describe el problema. Etapa 4. El T. D. utiliza el modelo para generar soluciones alternativas para el problema. Etapa 5. El T. D. elige entre las soluciones alternativas. Este proceso de toma de decisiones en 5 etapas puede relacionarse con las primeras 3 etapas del proceso de resolución de problemas de CA/IO, estas primeras etapas serán: 1- identificación, observación y planteamiento del problema 2.- construcción del modelo 3.- generación de la solución Las etapas 1 y 2 del proceso de toma de decisiones se relacionan con la etapa 1 del proceso de resolución de problemas; la etapa 3 del proceso de toma de decisiones se relaciona con la etapa 2 del proceso de resolución de problemas. Por último, las etapas 4 y 5 del proceso de toma de decisiones corresponden a la etapa 3 del proceso de resolución de problemas. En esta sección se utilizan enfoques cuantitativos como cualitativos. Se empleara el concepto de “satisfaciente” para restringir el número de alternativas y después se usaran métodos cuantitativos para elegir una de éstas. Caso: Ashley Washington fabrica y vende pizzas a estudiantes del State Ohio College. Al mezclar los principales ingredientes de las pizzas y hornearlas por anticipado, ha podido hacer que el tiempo de
1

espera de sus clientes sea breve en comparación con el de restaurantes de la competencia. Aunque ha vendido una gran cantidad de pizzas, en ocasiones Ashley se ha visto obligado a tirar un gran número de pizzas horneadas con anticipación debido a que la demanda fue inferior a lo que había anticipado. Por esta razón, está buscando una política que pueda utilizar para decidir cuántas pizzas debe hornear con el objeto de maximizar las utilidades. Ashley ha reducido sus alternativas a sólo 4 posibilidades: hornear 150, 160, 170 o 180 pizzas. Ha estudiado los patrones previos de demanda para determinar el número de pizzas que se solicitaron por día, en los últimos 100 días. Ha encontrado lo siguiente. Número de pizzas que se solicitan 150 160 170 180 Número de días 20 40 25 15

Ashley ha determinado que muy pocas veces ha tenido una demanda inferior a 150 pizzas o mayor a 180; por eso redujo las alternativas por día. Este es un ejemplo del uso de política satisfaciente para reducir el número de alternativas. Ashley ha determinado que gana $2 por cada pizza que vende y pierde $1 por cada pizza que no vende. Con esta información es posible construir una tabla de utilidades para cada una de las políticas de número de pizzas por hornear y por cada nivel de ventas.
Tabla 1. Tabla de utilidades para la Pizzería Ashley Demanda de pizzas
Número de pizzas que se hornean con anticipación 150 160 170 180 150 300 290 280 270 160 300 320 310 300 170 300 320 340 330 180 300 320 340 360

Para ilustrar los cálculos de la tabla 1, considérese el caso en el que se hornearon previamente 160 pizzas pero se vendieron sólo 150. En esta situación la utilidad bruta sería $2 x 150 = $300, habiendo perdido $10 por las pizzas que no se vendieron y, por ello, se obtendría una utilidad neta de $290. Es posible utilizar la tabla 1 para determinar el número de pizzas que deben hornearse previamente para maximizar las utilidades de la pizzería. Antes de decidir cuál es la política óptima, Ashley también esta considerando mudar su pizzería a un nuevo local, existen tres alternativas de entre las que puede escoger: permanecer donde esta, mudarse a
2

Baxter Street, o mudarse a Epps Brige Road, su decisión se verá influenciada por acciones externas sobre las cuales no tiene control. Estas acciones externas son las decisiones que otras personas tomarán. Con la ayuda de un asesor financiero, Ashley ha pronosticado el valor actual de cada una de las decisiones, tomando en cuenta las dos acciones externas (que se consideran mutuamente excluyentes), junto con la posibilidad de que no ocurra ninguna de las dos acciones. Estos valores se muestran en la tabla 2.
Tabla 2. Valores presentes de la decisión de ubicación Acción externa
Cerrar los antiguos dormitorios + $50,000 + $150,000 + $20,000 Construir nuevos departamentos + $20,000 + $25,000 + $ 200,000

Decisión No mudarse Baxter St. Epps Bridge Rd

Ninguna + $100,000 + $40,000 - $20,000

Puesto que esta decisión sobre ubicación se tomará sólo una vez, no existen datos previos que puedan utilizarse para auxiliar en la decisión. Análisis preliminar del caso de la pizzería Ashley En este caso, se enfrenta a dos decisiones que Ashley debe tomar con respecto a la operación del restaurante de pizzas. La primera decisión, que se refiere al número de pizzas que han de hornearse con anticipación, es del tipo de las que deben tomarse todos los días que la pizzería opera. En consecuencia, existen datos previos que pueden utilizarse para ayudar a tomar esa decisión sobre política y emplearse para calcular probabilidades, las cuales se generan a partir de datos existentes y pueden utilizarse para determinar una decisión sobre política que proporcione el máximo de utilidades. Recordar que la probabilidad de que ocurra un evento. Si p es la probabilidad de que ocurra un evento, entonces 0 ≤ p ≤ 1. Conforme más cercana esté p a 1 es más probable que ocurra el evento. La segunda decisión es del tipo de las que no tienen información previa disponible. Las decisiones de este tipo, se toman sólo una vez. Deben basarse en los resultados posibles que han de ocurrir y en la forma en que éstos afectan a quien toma decisiones, el T. D. puede utilizar criterios de toma de decisiones que no tomen en cuenta las probabilidades. Por otro lado, el T. D. podría utilizar probabilidades

3

decisiones en las que pueden usarse datos previos para calcular probabilidades que se emplean en toma de decisiones. si se decide que un grupo de variables sea positivo (es decir.. Son tres las condiciones necesarias para este tipo de toma de decisiones. Se contemplará un solo modelo cuantitativo de toma de decisiones para emplearlo en la toma de decisiones empleando datos previos Toma de decisiones sin datos previos 4 . se tiene lo que podría denominarse decisiones utilizando datos previos. decisiones bajo certidumbre 2. 3. si se toma una decisión) no hay duda con respecto a cuál será la utilidad asociada con esa decisión.existe más de un resultado para cada decisión 3. en este tipo de toma de decisiones se utilizan modelos en probabilidades.las decisiones se toman bajo las mismas condiciones 2. Tipos de decisiones En esencia existen tres tipos principales de decisiones. Ejemplos de eso son la programación lineal y la programación en enteros. Las probabilidades subjetivas las genera cada individuo que toma decisiones. 1..subjetivas para determinar una decisión. Dado que es posible valerse de la experiencia pasada para desarrollar probabilidades con respecto a la ocurrencia de cada resultado. Toma de decisiones bajo certidumbre En los casos que existe sólo un resultado para una decisión se están tomando decisiones bajo certidumbre. y las circunstancias que rodean a la decisión son siempre iguales. decisiones para las cuales existen datos previos que permiten calcular probabilidades. En ambos casos.existe experiencia anterior que puede utilizarse para obtener probabilidades para cada resultado. 1.. Toma de decisiones utilizando datos previos En los casos en los que debe tomarse una decisión en forma repetida y se tienen muchos resultados posibles. entonces no se considera que es una decisión con base en datos previos. sin el uso de datos previos. Si cualquiera de estas condiciones no se cumple.

160. Ashley tiene cuatro alternativas relacionadas con el número de pizzas que debe hornear con anticipación (150. También tiene tres alternativas con respecto a la ubicación (no mudarse. una de las acciones que debe emprender antes de llegar a una decisión. los estados de la naturaleza se refieren a los niveles de demanda para las pizzas. 170 o 180 pizzas). Baxter Street o Epps Bridge). D. o no existe experiencia pasada que pueda utilizarse para calcular probabilidades. y como tal.En los casos en los que una decisión no se toma en forma repetida. enfrenta estados de la naturaleza múltiples o acciones externas múltiples. no existe experiencia pasada que ayudó en el proceso de toma de decisiones. Se le denomina así debido a que la misma decisión se toma sólo una vez. Con respecto a la decisión sobre la ubicación. y al igual que en la selección de 5 . es determinar las alternativas sobre las cuales se basará la decisión final. en la cual se va a tomar una decisión con respecto a cuántas pizzas deben hornearse. Los estados de la naturaleza son las circunstancias que afectan el resultado de la decisión pero que están fuera del control del T. En el caso de la Pizzería Ashley. Los estados de la naturaleza Una persona que toma decisiones y que enfrenta una situación de decisión en la que pueden producirse resultados múltiples a partir de una estrategia determinada. En el caso de la Pizzería Ashley. este nivel de demanda tendrá efectos sobre las utilidades que obtenga por cualquier decisión que tome. o las circunstancias que rodean la decisión cambian de un momento a otro. Las decisiones tendrán un efecto inevitable sobre el valor presente de las utilidades. de nuevo Ashley enfrenta tres estados de la naturaleza sobre los cuales no tiene control. enfrenta un problema que requiere una decisión. De nuevo. Estos estados de la naturaleza están influidos por las decisiones que alguna otra persona tomará con respecto a los antiguos dormitorios y los nuevos departamentos. Observar también que sólo se consideran alternativas en verdad viables. D. se considera que la decisión se toma sin datos previos. Decisiones alternativas Cuando un T. Este caso ilustra el hecho de que no hacer cosa alguna es también una alternativa que quien toma las decisiones debe considerar. aun así. y esto sin importar qué decisión tome Ashley con respecto a la ubicación. Ashley no puede controlar el número de pizzas que le solicitaran una noche determinada. Está es una forma de la característica de satisfaciente que se mencionó antes. Es decir.

Está formado por nodos de acción. si Ashley decidiera no mudarse y cerraran los antiguos dormitorios. se calculo que el resultado sería $50. será necesario calcular (k x n) resultados. Árboles de decisión Una forma clara y sencilla de estructurar el proceso de toma de decisiones es por medio de un árbol de decisión. si existen k alternativas y n estados de la naturaleza. o puede expresarse en términos de alguna medida no monetaria. en el problema de la ubicación de la pizzería. Este resultado puede expresarse en términos de utilidades (en el caso del problema de elegir el número de pizzas que deben hornearse). dado que había tres alternativas y tres estados de la naturaleza. existen 3 x 3 = 9 resultados que deben calcularse. En general. Los nodos de probabilidad se denotarán por medio de un ) e indicarán aquellas partes del proceso de toma de decisiones en las que ocurre algún estado de la naturaleza. Resultados Para cada combinación de estrategias y estado de la naturaleza habrá un resultado. Por último. considérese el caso de un profesor 6 . Las ramas se utilizan para denotar las decisiones o los estados de la naturaleza. Por ejemplo.000. En esa situación. Como ejemplo de árbol de decisión. y que después ocurra un estado específico de la naturaleza.alternativas. puede expresarse en términos de valores presentes (como en el caso de la decisión sobre la ubicación). Para determinar los resultados es necesario considerar todas las posibles combinaciones de decisiones y de estados de la naturaleza para determinar el resultado que se obtendría sí se utiliza una alternativa dada y si ocurre un estado especifico de la naturaleza. Un árbol de decisión los nodos se denotarán con un cuadro ( circulo ( ) y representarán aquellos lugares del proceso de toma de decisiones en los que se toma una decisión. Con bastante frecuencia los resultados también se denominan pagos y una tabla de resultados se denomina tabla de pagos. se colocan los pagos al final de las ramas terminales del estado de la naturaleza para mostrar el resultado que se obtendría al tomar una decisión particular. nodos de probabilidad y ramas. También pueden anotarse probabilidades sobre las ramas para denotar la probabilidad de que ocurra un estado determinado de la naturaleza. es importante considerar sólo condiciones del medio ambiente que tengan un efecto significativo sobre los resultados.

7 .universitario que está tratando de decidir si debe llevar o no un paraguas a su trabajo el día de hoy. La decisión de llevar el paraguas se muestra como un nodo de acción en la figura 1. El profesor ha determinado los diversos pagos asociados con las cuatro posibles combinaciones de decisiones y de estados de la naturaleza.6) No llevar paraguas Despejado (0.40 Utilizando estos pagos es posible construir un árbol de decisión. El profesor ha decido los siguientes pagos: Llevar paraguas y que no llueva Llevar paraguas y que llueva No llevar paraguas y que no llueva No llevar paraguas y que llueva -1 + 20 +5 . Estos pagos se colocan al final de las ramas terminales de probabilidad. se ha anotado también sobre la rama de probabilidad las probabilidades de que haya lluvia o esté despejado de acuerdo con la oficina meteorológica local.4) Figura 1. Los posibles estados de la naturaleza comenzarán en los nodos de probabilidad. nodo de acción Llevar paraguas nodos de probabilidad Lluvia (0. 3 árbol de decisión para la decisión sobre el paraguas. En este caso. Este árbol se muestra en la figura 3 Fig. Ahora. si se combinan los nodos de acción y los nodos de probabilidad con los pagos para cada combinación se tiene un árbol de decisión. También se muestran en la figura 2 los posibles estados de la naturaleza para la decisión del profesor. Nodos de acción y de probabilidad Al final de cada una de las ramas que parten de un nodo de acción habrá un nodo de probabilidades u otro nodo de acción.

se analizan estos modelos para la toma de decisiones. En los tres primeros modelos no se utilizan probabilidades subjetivas para tomar una decisión.4) +5 Empleando la terminología de alternativas. resultados. estados de la naturaleza. y de si éste desea o no utilizar probabilidades subjetivas. Lo apropiado de cada modelo depende de la opinión del T. debido a inseguridad económica. se inclinará a utilizar el modelo de decisión que se conoce como modelo de 8 . D.4) 1 Lluvia (0. Modelo de decisión del pesimista La persona que toma decisiones y que es pesimista con respecto a los estados de la naturaleza o considera. se usara el problema de ubicación de la Pizzería Ashley como aplicación del modelo. tanto usando datos previos como sin utilizarlos TOMA DE DECISIONES SIN DATOS PREVIOS En esta parte se analiza un conjunto de modelos de decisión que pueden usarse sin datos previos. y arboles de decisión.6) - 40 No l le var para g u as Despejado (0.6) + 20 Llevar paraguas Despejado (0. en tanto que en los últimos si se hace. que debe evitar pérdidas altas aun a riesgo de posiblemente perder altas utilidades. Al analizar cada modelo se describe bajo qué circunstancias sería apropiado.Lluvia (0. No es posible decir que uno de estos modelos es más correcto que cualquier otro.

Es decir Ashley elige la estrategia de menor pago que podría esperar seria de $25. Como ejemplo del uso del modelo de decisión del pesimista. Paso 2.$20.000 + $ 25. Si eligiera cualquiera de las otras dos alternativas el pago podría se menor que esto. Determinar el resultado de menor valor para cada alternativa y registrarlo en una lista. Para implantar este concepto de evitar pérdidas se determina el menor resultado para cada estrategia y después se elige la que tenga el mayor de estos resultados menores. Dado que se están maximizando los resultados mínimos. Pagos mínimos para el problema de ubicación Alternativa A1 A2* A3 Pago Mínimo $20.000 (N3) $25.000 Road (A3) Si se aplica ahora el paso 1 del modelo de decisión del pesimista a este problema se pueden listar los resultados mínimos (pagos) y el estado de la naturaleza asociado con cada uno de esos resultados mínimos (tabla 4).000.000 + $ 150. El principal concepto en el que se basa este modelo es evitar pérdidas elevadas o inaceptables.000 Mudarse a Epps Bridge .000.000 (N3) -$25.000 + $ 20. que da un pago mínimo de $25. considerar el resultado para la decisión de ubicación de la Pizzería Ashley (tabla 3).000 Se cierran los antiguos dormitorios (N2) +$ 50. este modelo se conoce también como el del criterio maximín.000 + $ 200. Tabla 4. La alternativa asociada con este resultado máximo es la estrategia que debe utilizarse.000 Se construyen nuevos departamentos (N3) + $ 20. Estados de la naturaleza sin cambio (N1) Permanecer en la ubicación actual (A1) Mudarse a Baxter Street (A2) + $100. 9 . El procedimiento puede describirse como sigue: Paso 1. De la lista de resultados elegir el valor máximo.decisión del pesimista.000 (N1) Si después se aplica el paso 2 del modelo se maximizan los valores de la tabla 4 y se encuentra que la alternativa que se elige es la A2 (mudarse a Baxter Street).000 + $ 40.

000 Mudarse a Epps Bride m Sin ca bio Cierran los dormitorios Construyen departamentos $200. 10 . Para elaborar la tabla de pago mínimo para el modelo de decisión del pesimista. todo lo que se necesita hacer es elegir el pago mínimo asociado con cada rama de decisión. En la siguiente figura 3.000.000 $40. Otra razón por la que podría decidirse utilizar este modelo es el conjunto de circunstancias que rodean la decisión.000 Figura 3.000 o ambi Sin c Cierran los dormitorios $50. aunque la estrategia de Baxter Street tiene un pago mínimo de $25. sería necesario evitar esa posibilidad al no elegir esta estrategia.000 -$20. Por ejemplo. el pago mínimo de Epps Bride Road tiene un pago mínimo de $20. Por ultimo. Esos corresponden a no mudarse.000 $20. se ha planteado el problema de la pizzería Ashley en un árbol de decisión.000 tos No mudarse Sin c o ambi Construye n departame n tos Mudarse a Baxter Street Cierran los dormitorios Construye n departame n $25. En algunos casos no es posible financiar algunos de los resultados ruidosos. se considera que el medio ambiente es hostil y se trabaja sobre esa base.000. Acción Probabilidad $100. Se supone que sucederá lo peor y después se busca hacer lo mejor bajo esta consideración. Árbol de decisión para el problema de Ashley con respecto a mudarse En este caso existen tres ramas de decisión que corresponden a no mudarse.000 $20. mudarse a Baxter Street y mudarse a Epps Bridge Road para cada rama de decisión existen tres ramas de estados de la naturaleza asociados con un nodo de probabilidad. para cada combinación de acción y alternativa existe un pago que se ha colocado en el extremo final de cada una de las ramas terminales. En otras palabras. Si la Pizzería Ashley no puede permitir perdidas como ésta.Este modelo se denominó modelo de decisión del pesimista.000 $150. cerrar los dormitorios y construir nuevos departamentos.

el paso 1 produce la lista que se muestra en la tabla 5. elegir el valor máximo. que considera que el medio ambiente es propicio será optimista con respecto al resultado. tiene también una opinión optimista acerca del medio ambiente. Para cada alternativa. Como ejemplo del uso del modelo de decisión del optimista considerar de nuevo el problema de la Pizzería Ashley acerca de decidir si debe mudarse o no. si Ashley elige la alternativa de mudarse a Epps Bridge Road. Es decir.Modelo de decisión del optimista El T.000.000 +$200. Quien toma las decisiones podría también utilizar este modelo en una situación en la que la cantidad de dinero que puede perderse (pago negativo) es pequeña en comparación con la utilidad que puede alcanzarse. D. Bajo este supuesto. Modelos de decisión de minimización del arrepentimiento 11 . considero que $20. Paso 2. D. En estos casos. se supone que quien toma las decisiones puede permitirse las perdidas que podrían ocurrir si se utiliza el modelo del optimista.000. si se aplica este modelo de decisión a este problema. determinar el resultado con el mayor valor y anotarlo en una lista. Para el ejemplo. la alternativa asociada con este resultado máximo es la estrategia que debe seguirse. D.000 Si después se aplica el paso 2 del modelo de decisión del optimista. Si se selecciona cualquier otra alternativa el pago sería en definitiva inferior a este valor. podría haberse elegido la alternativa A3 debido a la magnitud del rendimiento $200. en vez de ser pesimista. El T. El procedimiento par aplicar el modelo de decisión optimista es el mismo que se utilizo para el modelo de decisión pesimista. entonces el pago máximo que podría esperar es $200. Dé la lista de resultados. Este modelo de decisión se conoce como modelo del optimista porque T. D. Tabla 5. el T. $20.000. que era grande en comparación con la perdida que pudiera haber ocurrido por elegir esa alternativa.000 no era una pérdida potencial grande al considerar el pago. Pagos máximos Pago Alternativ a A1 A2 A3* máximo + $100.000 +$150. pero con una excepción importante. se maximizan los valores de la tabla 5 y se encuentra que la alternativa elegida es la A3 (mudarse a Epps bridge Road) con un pago de $200. El paso 1 se modificara como sigue: Paso 1. determina el mayor pago para cada alternativa y después elige el máximo de éstos.000.

y se siente arrepentimiento. Tomando este valor y la ecuación (1) puede calcularse la pérdida de oportunidad para cada alternativa. Tabla 7.000 $120.000 . ver siguiente tabla.000 12 .000 $100.000 +$40. En otras palabras.000 -$20. Para comprender este modelo de decisión es necesario definir una pérdida de oportunidad. Esta columna de la tabla 6. también conocido como minimización de las perdidas de oportunidad.Pago de la alternativa $100. Si la decisión conduce al pago más alto para un estado de la naturaleza particular. Pagos del primer estado de la naturaleza Alternativ a A1 A2 A3 Sin cambio (N1) +$100.000 $100. Calculo de la perdida de oportunidad para N1 Alternativ a A1 A2 A3 Pago máximo $100. para un estado determinado de la naturaleza.000 y ocurre para A1 (no mudarse).000 $40. Tabla 6.000 = Perdida de oportunidad 0 $60. no hay pérdida de oportunidad y no se siente arrepentimiento. entonces se incurre en una pérdida de oportunidad que es igual a la diferencia entre el pago más alto y el pago que se da con la estrategia elegida. Si se elige una estrategia que dé como resultado un pago inferior al máximo para ese estado de la naturaleza en particular. Como ejemplo del modelo de pérdida de oportunidad o de arrepentimiento considérese el primer estado de la naturaleza (no cambiarse) para el problema de ubicación de la Pizzería Ashley. Perdida de oportunidad = pago máximo – pago por la alternativa seleccionada (ecuación 1) Las perdidas de oportunidad son la cantidad que se pierde cuando la alternativa que eligió no era la mejor. Para un estado de la naturaleza determinado existen siempre una o más alternativas que producen el mayor pago.000 Usando los valores de la tabla 6 se determina que el máximo pago es $100.Otro modelo de decisión que representa una opinión bastante pesimista del medio ambiente es el de la minimización del arrepentimiento.000 -$20.

b. utilizando la ecuación 1. se llega a la lista de valores máximos de pérdida de oportunidad que se muestran en la tabla 9. determinar la mínima de las perdidas máximas de utilidad. Tabla 8.Colocar estos valores de pérdida de oportunidad en una tabla de arrepentimientos.. c. Paso 3.000 0 Alternativa No mudarse (A1) Mudarse a Baxter Street (A2) Mudarse a Epps Bride Road (A3) Se busca evitar valores grandes de arrepentimiento puesto que están asociados con pérdidas grandes de oportunidad.Determinar el pago más alto. Tabla de arrepentimiento Estado de la naturaleza Sin cambio (N1) 0 $60.000 $130.Utilizando el mismo procedimiento puede calcularse la pérdida de oportunidad para el segundo y tercer estados de la naturaleza. Esta clase de toma de decisiones es similar al modelo de decisión pesimista.000 $120. Tabla 9. Utilizando la lista del paso 2. Cuando se anotan en una tabla combinada los valores de oportunidad para todos los estados de la naturaleza se tiene una tabla de arrepentimiento. Es posible plantear un procedimiento paso a paso para el modelo de decisión de minimización del arrepentimiento de la siguiente manera: Paso 1. La alternativa correspondiente es que debe elegirse.000 Cerrar los Antiguos Dormitorios (N2) $100. excepto que aquí se busca minimizar las perdidas máximas de oportunidad. Valores del arrepentimiento máximo Alternativ a A1 A2 A3* Máxima perdida de oportunidad $180.000 Construir Nuevos Departamentos (N3) $180.. Si se utiliza este procedimiento paso a paso para generar la tabla de arrepentimientos de la tabla 8. Una tabla de este tipo para el problema de la pizzería Ashley se muestra en la tabla 8. Paso 2.. determinar la pérdida máxima de oportunidad y colocar este valor en una lista.000 0 $130. Para cada alternativa de la tabla de arrepentimiento. Para cada estado de la naturaleza: a.000 $175.000 13 .000 $175.Calcular las pérdidas de oportunidad para cada alternativa.

es una práctica común encontrar el pago promedio para cada estrategia y elegir después la alternativa que tenga el mayor pago promedio. Pagos promedio 14 .000 + 20. quien toma las decisiones minimiza la diferencia máxima que puede ocurrir entre la mejor alternativa para un estado determinado de la naturaleza y cada uno de los resultados. en el problema del cambio de ubicación de la Pizzería Ashley el pago promedio para la primera alternativa está dada por.667 (A2) y V3 = (. Tabla 10. En este modelo de decisión. esa lista se muestra en la tabla 10. y Vi = pago promedio para la i – ésima alternativa Entonces Por ejemplo. Al elegir una alternativa quien toma decisiones se asegura de minimizar el arrepentimiento máximo o pérdida de oportunidad. quien toma las decisiones elabora una lista de valores promedio similar a la que se realizó en los tres modelos anteriores de decisiones. En este modelo de decisión quien toma las decisiones busca evitar pérdidas elevadas de oportunidad a través de un análisis minimax de la tabla de arrepentimientos. V1 = (100. Al hacer esto.000) /3 = $66.000 + 25.667 (A1) En tanto que V2 = (40.000 + 150. se elige entonces la alternativa A3 (mudarse a Epps Bridge Road) puesto que es el menor valor de la lista de pérdidas máximas de oportunidad con un valor de $130.000) /3 = $71. Cuando se maximizan estos pagos promedio se elige la estrategia A2 (mudarse a Baxter Street). Esta alternativa aparece señalada con un asterisco en la tabla 10.000 + 20.000 + 50. Esta alternativa está marcada con un asterisco en la tabla 9. En este caso.000.Utilizando el paso 3. si existen n resultados para cada alternativa con Oij = pago para la i-ésima alternativa dado el j – ésimo estado de la naturaleza.20. Modelo de decisión de maximización del pago promedio En los casos en los que quien toma las decisiones se enfrenta a alternativas múltiples en las que cada alternativa tiene a su vez resultados múltiples.000 + 200.667 (A3) Utilizando estos valores.000) /3 = $56.

667 $66. En el caso de probabilidades igualmente posibles. la probabilidad de que ocurra cada resultado es igual 1/n en donde n es el numero de resultados. . El VME se basa en el concepto de valor esperado de la teoría de la probabilidad. Paso 2. entonces p1 = p2 =. La alternativa que corresponde a este pago es la que debe seleccionarse. = pn = 1/n.667 $71. n resultados para un experimento en donde cada resultado tiene un rendimiento rj y una probabilidad de ocurrencia de pj. al tomar los promedios de los resultados para cada decisión se está diciendo en forma implícita que los resultados son igualmente probables. Sin embargo. Si existen. entonces el valor esperado de ese experimento sería. . Si el rendimiento está dado en términos de dinero entonces el valor esperado se convierte en el valor monetario esperado. Determinar el mayor valor de la lista de pagos promedio.alternativ a A1 A2* A3 Pagos promedio $56. si pi = probabilidad del i – ésimo resultado.667 Se presenta una descripción detallada del modelo de decisión del pago promedio máximo: Paso 1. 15 . si se lanza un solo dado con la misma probabilidad de ocurrencia para cada uno de los seis lados y el rendimiento fuera igual al número que se obtuvo. Para cada alternativa. Después pueden utilizarse estas probabilidades para calcular el valor monetario esperado (VME) para cada decisión. En términos de probabilidades. entonces el valor esperado de ese experimento está dado por: Donde Por ejemplo. En otras palabras. Desde un punto de vista intuitivo no parecería que el modelo de decisión del pago promedio máximo dependa de probabilidades. calcular el pago promedio para todos los estados de la naturaleza y colocar estos valores en una lista. señalemos.

se debe pedir a Ashley una estimación de la probabilidad de ocurrencia de cada resultado. En primer lugar. En los negocios. la utilidad se refiere a las consecuencias no monetarias de la ocurrencia de un resultado. a las acciones futuras de un competidor. tanto monetarias como no monetarias. Si se aplica el análisis utilitario esperado a la Pizzería Ashley y a la decisión con respecto a mudarse se necesitan dos tipos de información. Esas probabilidades se basan en una multitud de experiencias anteriores. En algunas ocasiones la intuición o una “corazonada” conduce a una persona que toma decisiones a asignar probabilidades por razones que no puede definir. entonces. que quien toma las decisiones puede emplear para asignar probabilidades a los resultados. a la importancia del producto que se considera. Muchos aspectos intervienen en la forma en que el apostador asigna probabilidades incluyendo el número de acciones. Después se pueden utilizar el valor esperado para elegir una alternativa. quien toma decisiones debe decidir si es adecuado utilizar valores monetarios para los pagos (tanto positivos como negativos) en el cálculo de los valores esperados. Si no es así. Cada apostador asigna una probabilidad diferente a los diversos resultados de una carrera o de algún otro juego de azar y después avalúa los resultados para decidir cómo debe apostar. ¿existe una relación lineal entre el dinero implicado y la utilidad que logra quien toma las decisiones con cada resultado? En este caso. Suponer que Ashley 16 . pueden utilizarse probabilidades subjetivas. En segundo lugar. Las probabilidades subjetivas son el concepto básico sobre el cual se basan las apuestas. etc. lo cual demuestra que el modelo de decisión de pago promedio máximo es lo mismo que utilizar un enfoque de VME máximo con probabilidades iguales. sería necesario elaborar una tabla de valores de utilidad para Ashley. Modelo de probabilidades subjetivas Aunque no siempre es posible hacer uso de datos previos para calcular probabilidades para la ocurrencia de diversos resultados. es frecuente que quien toma decisiones deba asignar probabilidades a la ocurrencia de diversos resultados con base en un juicio personal respecto a las condiciones del mercado.Esta misma fórmula dada en la ecuación 2. Una vez que se asignan las probabilidades subjetivas. se debe saber si los dólares que aparecen en la tabla de pagos (tabla 3) representan en realidad todas las consecuencias de cada decisión. el peso que el apostador asigna a cada opción y las experiencias pasadas con respecto al evento. En otras palabras.

000) + (0.000 Utilizando el método de la probabilidad subjetiva.3) (50.3) (20.4) Mudarse a Baxter Street (A2) (N3)Const (0.3 de que se construyan los nuevos departamentos (resultado 3).3) (20. una probabilidad 0.3) (150.3) $100. excepto que ahora se incluyen probabilidades en cada rama de resultados (figura 4).000 Figura 4. Esas probabilidades solo se multiplican por el resultado que aparece al final de cada rama y se suman para todos los resultados de cada una de las ramas de estrategias con el objeto de calcular el valor esperado (VME o VUE) para cada alternativa.000 $40.000 $25.000 A2: VUE 2 = (0.000) + (0.3) (200.000 $50.4 de que no haya acciones externas (resultado 1).000) + (0.3) io camb Sin (N1) (N2) Cierran los dormitorios (0.3) artamentos Mudarse a Epps Bride (A3) (N1) m b io Sin ca (N2) Cierran los dormitorios (0.4) (40.000 $20.3 de que se cierren los antiguos dormitorios (resultado 2) y una probabilidad 0.20.000) + (0.3) (0.000 -$20.4) ruyen dep (0.500 A3: VUE 3 = (0. Acción Probabilidad .4) (100. Estima que existe una probabilidad 0.000) = $ 58.000) = $ 68.4) (. Ahora es posible calcular los valores utilitarios esperados para cada decisión.000) + (0. A1: VUE 1 = (0.3) $20. Árbol de decisión para el problema de a mudarse 17 .000) = $ 61.está satisfecho con los valores monetarios de la tabla de pagos como representación de las consecuencias de cada decisión.000 (N3) Const ruyen dep artamento ( s No mudarse (A1) (0. Ashley elegiría la alternativa A2 (mudarse a Baxter Street).3) $200.4) io (0 camb Sin (N1) (N2)Cierran los dormitorios (0.3) (25. Si se usa un árbol de decisión para representar esto el árbol se asemejaría al que aparece en la figura 3.000 $150.000 (N3) Construyen departamentos (0.000) + (0.

las 160 pizzas por noche.3) (20. en este caso. Observar que VUE sería exactamente el mismo para el método del pago promedio máximo. en promedio. y después se suman.000) + (0. (0. En el análisis bayesiano se combinan los datos previos (o probabilidades subjetivas) con datos muéstrales o de prueba.Como ejemplos de los cálculos de valor esperado utilizando un árbol de decisión considerar la rama A1 (no mudarse).5 Con base en la demanda esperada. Comparación de los análisis bayesiano y clásico para la toma de decisiones utilizando datos previos Cuando existen datos previos disponibles para auxiliarse en la toma de decisiones.4) (160) + (0. En esta rama si se multiplican los resultados que aparecen al final de cada una de las ramas de estados de la naturaleza por las probabilidades de la rama. será mayor o igual a 160 pizzas. puede utilizarse el análisis clásico. Se les define en forma amplia como análisis bayesiano y análisis clásico.3333.000 Lo cual es el mismo VUE que se calculó antes para A1. Por ejemplo. utilizando el valor esperado que se calculo con los datos previos: H0 = µ ≥ 160 Esta hipótesis nula dice que los datos previos indican que la demanda promedio a largo plazo. se obtiene. puesto que existen tres resultados para cada rama de decisión.25) (170) + (0.4) (100. en el caso de la Pizzería Ashley. Utilizando los datos previos se plantea una hipótesis alternativa de que la demanda es menor de 160 pizzas: H1: µ < 160 (o que la demanda media es inferior a 160 pizzas) 18 . puede determinarse la demanda esperada por medio del siguiente cálculo: Demanda esperada = (0.000) + (0. es posible utilizar dos tipos de análisis. Para probar esta expectativa. sólo que ahora se utilizo el árbol de decisión en los cálculos.15) (180) = 163.000) = $ 61.2) (150) + (0. primero se plantea la siguiente hipótesis nula. utilizando la formula desarrollada por Thomas Bayes. La decisión se toma con base en el resultado de la prueba o muestra. o media µ. En el análisis clásico se utilizan los datos previos para elaborar una regla de decisión y después se corre una prueba o se toma una muestra.3) (50. la probabilidad de cada rama sería 0. si se remplazan las probabilidades subjetivas por probabilidades igualmente posibles. Este es el tipo de análisis que por lo general se enseña en la estadística bajo el nombre de prueba de hipótesis. Ashley podría esperar que la demanda excediera.

A esto le sigue un segundo análisis o preposterior. y la porción de tiempo en que ocurrió cada estado de la naturaleza. o no hacerlo. ya que permite una toma de decisiones más económica. Con esta matriz de decisión.15 Esta tabla ampliada incluye los pagos para cada estado de la naturaleza y cada alternativa. es lo que da al análisis bayesiano ventajas con respecto al análisis clásico. la demanda promedio en realidad no es de 160 o más pizzas. combinada con la modificación de las probabilidades con base en las pruebas. Al comparar el análisis clásico con el bayesiano.20 de pizzas 160 300 320 310 300 0. Si se toma una muestra o se lleva a cabo una prueba. pero en el análisis bayesiano sólo se hace esto después de que un análisis preposterior de los datos haya mostrado que pruebas o muestras adicionales serían económicamente valiosas. Estas probabilidades posteriores combinan tanto los datos previos como resultado de la prueba o muestra. se amplía la tabla de utilidades 1 para convertirla en la tabla de utilidades 13 Tabla 13. Para hacer esto. entonces se lleva a cabo. Por otro lado. Tabla de utilidades Número de pizzas que se hornean con anticipación 150 160 170 180 Fracción de tiempo Numero 150 300 290 280 270 0. en primer lugar se necesita una matriz de decisión que muestre las consecuencias económicas de diversas decisiones. la muestra podría conducir a rechazar la hipótesis nula y a afirmar que.Para tomar una decisión se toma una muestra de los valores de la demanda para cierto número de noches. Si el análisis preposterior muestra que las pruebas o las muestras serían económicamente útiles. Esta fracción se encuentra dividiendo el número de 19 . en el cual se determina si resultaría útil llevar a cabo pruebas o muestras adicionales. se utilizan los resultados para modificar las probabilidades previas con el objeto de determinar las probabilidades posteriores o “después” de la prueba. en el análisis bayesiano se realiza primero un análisis previo utilizando los datos anteriores. En el análisis bayesiano se elabora una matriz de decisión que contiene las consecuencias monetarias de diversas decisiones.40 que se 170 300 320 340 330 0. Con base en esta muestra se podría aceptar la hipótesis nula y asegurar que la demanda media de Ashley es de 160 o más pizzas por noche.25 solicitan 180 300 320 340 360 0. después de todo. Esta decisión de probar o muestrear. Análisis bayesiano Para comenzar un análisis bayesiano del caso de la Pizzería Ashley. se observa que en el primero siempre se procede a realizar una prueba o a recolectar una muestra.

20. Considerar que se observará la misma proporción en el futuro. se tienen los siguientes cálculos: VME 1 = (0. La interpretación de este valor es que si Ashley horneara 170 pizzas cada noche. Paso 1. Esta alternativa está marcada con un asterisco en la tabla 14.15) (300) = $ 300. para el primer estado de la naturaleza. Valores monetarios esperados Alternativ a 150 (A1) 160 (A2) 170 (A3) 180(A4) VME $300. entonces su utilidad promedio a largo plazo sería de $316 por noche. por ello.40) (300) + (0. Utilizando esta información. Estas fracciones son equivalentes a probabilidades.40) (300) + (0.00 314. se anotan estos valores monetarios esperados en una lista a partir de la cual se determina el máximo (ver tabla 14) Tabla 14.20) (290) + (0. 20 .40) (320) + (0.20) (300) + (0.25) (320) + (0. para la ocurrencia de cada estado de la naturaleza. si existen n estados de la naturaleza.00 VME 4 = (0.días de cada estado de la naturaleza entre el número total de días para todos ellos.00 VME 3 = (0.25) (300) + (0. la fracción es 20/100 = 0.50 Se encuentra que el VME es $316 y ocurre para una decisión de hornear 170 pizzas.20) (280) + (0.25) (340) + (0.00 VME 2 = (0. es posible calcular el VME para cada alternativa. con respecto a cuántas pizzas hornear con anticipación. por medio de la formula que sigue: Donde O ij = pago utilizando la i – ésima alternativa si ocurre el j – ésimo estado de la naturaleza Pj = probabilidad de que ocurra el j – ésimo estado de la naturaleza VMEi = valor monetario esperado para la i – ésima alternativa Si se aplica este modelo de decisión al problema de la Pizzería Ashley.25) (330) + (0. dado que se suma es igual a uno y reflejan la proporción de tiempo que ocurrió cada estado de la naturaleza.00* 310. Calcular las probabilidades. Se presenta un procedimiento paso a paso para el modelo de decisión VME.15) (320) = $ 314.40) (310) + (0.15) (360) = $ 310.50 Después.20) (270) + (0. Observar que en ningún momento ocurriría este valor en realidad.00 316.15) (360) = $ 316. p j. es un valor promedio para una gran cantidad de aplicaciones de la alternativa bajo condiciones similares. Se estudiaron 20 + 40 + 25 + 15 = 100 días.

En el caso de los problemas en que existen datos previos. Esta es la porción a priori de un análisis bayesiano $300 Uso de árboles de decisión para problemas con datos previos Al igual que con los problemas de decisión en los que no existen datos previos disponibles. a $320 largo plazo. $340 Este problema se denomina comúnmente problema del vendedor de diarios. Utilizar la lista de VME´s calculada en el paso 2 para determinar el valor máximo. se calcula el VME para cada nodo de probabilidad utilizando la ecuación 6. Esto es. 170. o 180 pizzas. la única diferencia es que se incluyen las $300 probabilidades calculadas en las ramas de probabilidad y estas probabilidades se utilizan para calcular los VME. El $310. El $340 nombre proviene de la situación de un vendedor de diarios que intenta decidir cuántos debe comprar cada día para vender. se construye un árbol de decisión de la 0 misma forma en que se hizo para otros tipos de problemas. Paso 3.Paso 2. Al final de cada rama de decisión habrá un nodo de probabilidad que tiene cuatro estados $2900 corresponden a la que demanda de 150. Los VME están anotados por debajo de cada nodo de probabilidad y el VME máximo está 0 $310 anotado bajo el punto de decisión. 170. en este caso las que arrojan utilidades diarias de $ 316. El árbol de decisión para la pizzería Ashley se muestra en la figura 5 $320 0 $320 Utilizando los valores de las utilidades y las probabilidades para cada rama de estado de la naturaleza. En cada rama de estado de la naturaleza habrá también una probabilidad de que ocurra ese estado y al final de cada una de las ramas de estado de la naturaleza habrá un resultado o utilidad para cada decisión y estado de la naturaleza. La alternativa que corresponde al VME máximo es la decisión que debe tomarse. En el caso de la decisión de la pizzería con respecto a cuántas pizzas hornear con anticipación. y 180 $314 pizzas. 160. 160. Calcular el VME para todas las alternativas utilizando la ecuación (6) y anotar estos valores en una lista. de pizzas que deben hornearse: 170 pizzas. es posible (y $300 en muchas ocasiones aconsejable) utilizar árboles de decisión para determinar cuál es la decisión $300 correcta. 500 el número de pizzas que deben hornearse con $300 $270 $330 21 $360 . La decisión a la que corresponde el VME es el número máximo. 50 concepto es exactamente el mismo que decidir anticipación. $300 habrá cuatro ramas de decisión que corresponden a hornear 150. multiplicando cada probabilidad por la utilidad correspondiente y sumando todos estos productos para cada nodo de $280 $316 probabilidad.

Figura 5. Árbol de decisión para el horneado previo de pizzas El valor de la información perfecta 22 .

Con frecuencia surge la siguiente pregunta: ¿Cuánto estaría dispuesta a pagar la persona que toma las decisiones para obtener información adicional sobre cuáles serán las circunstancias reales? Antes de de responder esta pregunta se necesita conocer el valor de la información misma. VMEIP = (0. se generaría la lista que aparece en la tabla 15. si la información nos dice exactamente qué es lo que va a ocurrir. Se elegiría la alternativa que produce el mayor pago para cada estado de la naturaleza. En el problema de la Pizzería Ashley. es decir. Pagos máximos Pizzas que se solicitan (estados de la naturaleza) 150 160 170 180 Decisión con Pago máximo 150 160 170 180 pag o $300 $320 $340 $360 Puesto que cada estado de la naturaleza ocurre sólo durante una fracción del tiempo. la utilidad promedio a largo plazo se obtendría $327. es posible calcular el valor monetario esperado para el caso de la información perfecta utilizando los pagos máximos y las probabilidades para cada estado de la naturaleza. Si la información es perfecta. se elegiría hornear con anticipación el número de pizzas que maximizara las utilidades netas. y esa utilidad sería $320. es fácil determinar la alternativa que debe elegirse. Tabla 15. 7 23 .15) (360) VMEIP = $ 327 Por ello. resulta bastante sencillo responder la pregunta.4) (320) + (0. Si se calcula esto para cada uno de los estados de la naturaleza. esto se plantea de la siguiente manera. En el caso que se muestra en la tabla 15.25) (340) + (0. Si se conoce con exactitud cuál estado de la naturaleza ocurrirá.20) (300) + (0. si se conoce con anticipación qué estado de la naturaleza ocurrirá y si se elije cada vez la decisión que arrojara las máximas utilidades. las utilidades máximas ocurrieran si se hornearan 160 pizzas. el valor monetario esperado de la información perfecta (VMEIP) se calcula de la siguiente manera. para un número determinado de demanda de pizzas. Por ejemplo. para la situación en la que se supiera que habría una demanda de 160 pizzas. En general.

El valor de la información de prueba En términos prácticos. el cálculo del valor de la información de prueba es algo más complejo que para la información perfecta.Donde O* ij = la máxima utilidad para cada estado de la naturaleza pj = la probabilidad de cada estado de la naturaleza Para calcular el valor de la información perfecta. entonces podría arreglárselas mejor sin conocer la información en forma anticipada. Debido a esta información en el poder predictivo de las pruebas. pronosticar lluvia y. un meteorólogo podría. P (N | R) < 1. 24 8 .$316 = $11. este estado de la naturaleza podría ocurrir sólo el 70% de las veces que se hace esta predicción. dado que el resultado de la prueba fue R Dado que la prueba es imperfecta. VMEIP = $327 y VME* = $316. donde N = llueve y R = se pronosticó lluvia. Por ejemplo. o el costo de la información es mayor de $11. si un meteorólogo está en lo correcto el 70% de las veces. lo único que se hace es calcular la diferencia entre el valor monetario esperado para la información perfecta y ese mismo valor monetario esperado sin información perfecta: VPI = VME IP – VME *IP Donde VIP = valor de la información perfecta VMEIP = VME para la información perfecta VME* = VME máximo sin información perfecta En el caso de la pizzería. con base en alguna prueba. Puede verse a partir de esto que Ashley estaría dispuesto a pagar hasta $ 11 por día para conocer con anticipación exactamente cuántas pizzas se requerirán cada día. Con esto quiere hacerse notar que la información dela prueba no siempre pronostica en forma correcta el estado de la naturaleza que ocurrirá. entonces P (N | R) = 0. por lo que VIP = $327 . Para comprender el procedimiento que se utiliza para realizar estos cálculos. Por ejemplo. Si la información no es perfecta. aun así. sea P(N | R) = probabilidad de que ocurra en realidad el evento N. por lo general la información proviene de algún procedimiento imperfecto de prueba.7.

esta probabilidad puede calcularse por medio del siguiente resultado de la teoría probabilística: Donde significa “no N” o “negación de N”. y el tercero calcularse a partir de los otros dos. Los valores de diversos pueden calcularse al mismo tiempo que se obtienen P (R │ N) y P (N). P (R). P (N). la probabilidad P (R | N) no es la probabilidad de prueba P (N | R) que se necesita. Esta última probabilidad. es la probabilidad de que ocurra el resultado de prueba R. Resulta fácil calcular a partir de datos previos la probabilidad de que la prueba sea exacta. P (N).Sin embargo. Este resultado dice que 9 Por lo general. Puesto que y pueden ser sumas de incluye todos los eventos que no sean N. Esta probabilidad es P (R | N) y puede calcularse utilizando datos históricos para determinar la forma en que se hubiera comportado la prueba si se hubiera utilizado. P (R │ N). la probabilidad de que ocurra el resultado de la prueba dado el resultado correspondiente. por lo general se desconocen los valores de P (N | R) (lo cual se lee “probabilidad de N dado R”) puesto que estos valores sólo se conocen después de haber utilizado la prueba las suficientes veces para recopilar datos que permitan calcular probabilidades. se conoce como probabilidad a priori puesto que se calcula antes de cualquier prueba. dado que se conoce el resultado real. P(N) también puede ser una probabilidad subjetiva basada en la experiencia que tenga en esas situaciones quien toma las decisiones. puesto que se calculo después de conocer el resultado. La tercera probabilidad que aparece en la ley de Bayes. dos de los valores que aparecen en esta fórmula pueden obtenerse a partir de datos de prueba. es decir. Para calcular P(N | R) se usa un resultado bien conocido de la probabilidad. mientras que las otras son probabilidades condicionales. denominado ley de Bayes. Por adversidad. Por lo general se conoce lo opuesto. valores. y la probabilidad de que ocurra un resultado particular sin importar cuál sea la prueba. Combinando 9 y 10 se llega a una versión modificada de la ley de Bayes: 11 25 .

por lo que su valor será un poco menor a éste. Utilizando los datos de ventas anteriores.El resultado final. se conoce como probabilidad a posteriori. se ha encontrado que sus pronósticos no tienen una exactitud del 100%. Por este servicio le cobrará a Ashley $5 por día. Las probabilidades que aparecen en el cuerpo de la tabla son las probabilidades de que la prueba hubiera pronosticado cada número de pizzas. Probabilidades de datos Número de Pizzas que se Número de pizzas pronosticado (alternativas) 150 160 170 180 Solicitaron 150 1/2 1/3 1/6 0 160 1/4 1/2 1/4 0 170 0 1/6 2/3 1/6 180 0 1/6 1/3 1/2 Los estados de la naturaleza que se muestran en la parte superior son el número de pizzas que en realidad se solicitan. la profesora ha reunido la tabla de probabilidades de prueba que se muestra en la tabla 16. 150 pizzas una cuarta parte de las veces. 26 . puesto que se obtiene después del procedimiento de prueba. la técnica de predicción habría pronosticado 160 pizzas la mitad de las veces. es decir P (R | N). le ha ofrecido sus servicios una profesora de investigación de mercados de negocios. 170 pizzas una cuarta parte de las veces y nunca 180 pizzas. probabilidad de que ocurra el suceso N dado el resultado de Prueba R. Estas son probabilidades condicionales que se comentaron antes. dado el número que en realidad se solicito. Tabla 16. Una vez que se conocen los valores de la probabilidad a posteriori. La cuestión es: ¿debe Ashley contratar ese servicio de pronósticos? Si los pronósticos de la profesora tuvieran una exactitud del 100%. Carolyn Myers para realizar una prueba experimental para pronosticar el número de pizzas que se ordenaran cada día. en los días en que los en los que se solicitaron en realidad 160 pizzas. Aplicación a la Pizzería Ashley Considerar ahora el uso de un procedimiento de pronóstico para la Pizzería Ashley. se había determinado antes que su valor sería $11. es posible emplearlos para llevar a cabo el análisis preposterior con el objeto de determinar si debe llevarse a cabo una prueba o un muestreo. Por ejemplo. Recordar que Ashley hornea con anticipación todas las pizzas y necesita conocer cual es la decisión que proporcione las mayores utilidades A Ashley. P(N │ R). los valores de la primera columna son el número de pizzas que la prueba de la profesora había pronosticado. Sin embargo.

se utiliza ahora los valores de la experiencia anterior para el número de pizzas que se solicitaron. mientras que la suma por renglón no es igual a 1. 170 y 180. es necesario calcular P (R) para cada número de pizzas pronosticado utilizando la ecuación 10: En la tabla 16.15 = 3/20 A partir de esto y de los valores de la tabla 16 se tiene. es decir. Con el objeto de convertir las probabilidades P (R | N) de la tabla 16 a probabilidades P(N | R). P (150 pronosticadas) = P (150 pronosticadas | 150 de demanda) P (150 de demanda) + P (150 pronosticadas | 160 de demanda) P (160 de demanda) + P (150 pronosticadas | 170 de demanda) P (170 de demanda) + P (150 pronosticadas | 180 de demanda) P (180 de demanda) = (1/2) (1/5) + (1/4) (2/5) + (0) (1/4) + (0) (3/20) = 2/10 = 1/5 De manera similar. se encuentra que N = 150 y = 160. se utiliza la fracción de tiempo que se demandó cada número de pizzas. tiene que pronosticarse algún número. Esto se debe a que para un número determinado de pizzas vendidas. para R = 150.Observar en esta tabla que la suma de las probabilidades de cada columna es igual a 1.25 = 1 / 4 P (180 de demanda) = 0. Para calcular las probabilidades de P(N) y P ( ).2 = 1/5 P (160 de demanda) = 0. a partir de la tabla 13: P (150 de demanda) = 0. P (160 pronosticadas) = (1/3) (1/5) + (1/2) (2/5) + (1/6) (1/4) + (1/6) (3/20) = 1/3 P (170 pronosticadas) = (1/6) (1/5) + (1/4) (2/5) + (2/3) (1/4) + (1/3) (3/20) = 7/20 27 .4 = 2/5 P (170 de demanda) = 0. en tano que no existe relación entre el número pronosticado y el número vendido.

considerar P (150 demandadas 150 pronosticadas) y P(150 demandadas │ 160 pronosticadas). se pasa al primer renglón. Tabla 17. Por ejemplo. Utilizando cada uno de los elementos de cada una de las sumas que dieron los valores de P(R) como anotación de una nueva tabla 17.P (180 pronosticadas) = (0) (1/5) + (0) (2/5) + (1/6) (1/4) + (1/2) (3/20) = 7/60 Observar que estos cálculos pueden realizarse trabajando con los valores de cada renglón. 170 o 180. Tabla modificada de probabilidades conjuntas Número de (estados Número pronosticado de pizzas (alternativas) 150 160 170 180 pizzas de Que la se Solicitaron naturaleza) 150 1/10 1/15 1/30 0 160 1/10 1/5 1/10 0 170 0 1/24 1/6 1/24 180 0 1/40 1/20 3/40 Suma 2/10 1/3 7/20 7/60 En donde cada entrada o anotación es P(R │N) P(N) o P(R │ ) P ( ). El resultado es: P (150 de demanda │ 150 pronosticadas) = 1/10 / 2/10 = 1 / 2 28 . 160. P (150 pronosticadas │ 150 demandadas) P (150 demandadas y se utiliza la suma del renglón de 150 pronosticadas para el denominador. primera columna de la tabla 17. Cada valor de P (R) es simplemente la suma de los productos de las probabilidades de estados de la naturaleza y las probabilidades correspondientes de cada renglón. se obtiene: 1/5 + 1/3 + 7/20 + 7/60 = 1 Esto es de esperarse. El numerador proviene de los valores de esta tabla y el denominador es la suma para cada renglón. Se sabe que las probabilidades a posteriori se obtienen por medio de: 11 Utilizando los valores de la tabla 17. También puede observarse que si se suman estas probabilidades de pronosticar cada número de pizzas. Para la primera probabilidad. para obtener el numerador. Como dos ejemplos. la anotación del tercer renglón y primera columna es igual a P (170 pronosticadas │ 150 de demanda) P (150 de demanda) De la ecuación 11. es fácil encontrar los valores de esta ecuación. puesto que debe pronosticarse algún número de pizzas. 150.

00 29 . en realidad se solicitan 150. Esto produce la tabla 19. Tabla 19. Tabla 18. Calculo del VME con un pronóstico de 150 pizzas Número Pizzas horneadas con anticipación (alternativas) 150 (estados 150 300 160 300 de que de la 170 300 Pizzas se naturaleza) 180 300 solicitaron VME $ 300. Si se realizan estos cálculos para cada uno de los valores de la tabla 17. Cada renglón de esta tabla es ahora una distribución completa de probabilidad a posteriori y puede utilizarse para pronosticar los niveles de demanda a través de un análisis preposterior. P (160 pronosticada │150 de demanda) P (150 de demanda) P (150 de demanda │ 160 pronosticada) = Suma del renglón = 1/15 /1/3 = 1 / 5 Este valor significa que si la prueba pronostica una demanda de 160 pizzas.Esto significa que la mitad del tiempo que se pronostican 150 pizzas para la demanda. para calcular los VME de la tabla de pagos. Esto se hace para cada uno de los resultados. se llega a una tabla de valores en la que cada valor es P (N pizzas se demandaran │R pizzas se pronosticaron). Esto se hace eligiendo primero la mejor alternativa para cada uno de los posibles resultados de la prueba. se utilizan las probabilidades del primer renglón de la tabla 18. De manera similar. Estos valores se proporcionan en la tabla 18. Si la prueba de la profesora pronostica que habrá una demanda de 150 pizzas. son probabilidades P (N │ R) que se desean y que indicaran qué tan útil será la prueba de la profesora. utilizando el criterio del VME. Probabilidades a posteriori número Número de pizzas Pronosticadas (alternativas 150 160 170 180 de pizzas (estados que se de la Solicitaron Naturaleza) 150 1/2 1/5 2 / 21 0 160 1/2 3/5 2/7 0 170 0 1/8 10 / 21 5 / 14 180 0 3 /40 1/7 9 / 14 Los valores de la tabla 18. una quinta parte de las veces en realidad se solicitarán 150 pizzas. Ahora se procede a calcular el valor monetario esperado de la prueba de la profesora.

00 Tabla 22.00 320. Las tablas 20.00 314.00 295. Calculo del VME con un pronóstico de 170 pizzas Número Pizzas horneadas con anticipación (alternativas) 150 160 170 ← Alternativa preferida 180 Probabilidad (estados 150 300 290 280 270 2 / 21 160 300 320 310 300 2/7 de que de la 170 300 320 340 330 10 / 21 pizzas se naturaleza) 180 300 320 340 360 1/7 solicitaron VME $ 300. 21 y 22 muestran estos cálculos para pronósticos de 160.70 320. Tabla 20.00 317.10 325.00 285.30 180 Probabilidad 30 .00 349.00 302.00 340. 170 y 180 pizzas.25 Tabla 21.00 En la cual puede verse que si se pronostica una demanda de 150 pizzas. la alternativa con el VME más alto es hornear 160 pizzas.← Alternativa preferida 170 160 180 Probabilidad 290 280 270 1/2 320 310 300 1/2 320 340 330 0 320 340 360 0 305. Calculo del VME con un pronóstico de 180 pizzas Número Pizzas horneadas con anticipación (alternativas) 150 160 170 ← Alternativa preferida (estados 150 300 290 280 270 0 16 0 30 0 32 0 31 0 30 0 0 de que de la 170 300 320 340 330 5 / 14 pizzas se naturaleza) 180 300 320 340 360 9 / 14 solicitaron VME $ 300.00 310. Calculo del VME con un pronóstico de 160 pizzas Número Pizzas horneadas con anticipación (alternativas) 150 160 ← Alternativa preferida 170 180 Probabilidad (estados 150 300 290 280 270 1/5 160 300 320 310 300 3/5 de que de la 170 300 320 340 330 1/8 pizzas se naturaleza) 180 300 320 340 360 3 / 40 solicitaron VME $ 300.

00) (1/3) + (325. Recordar que el VME sin la prueba era de $316. Paso 2. Para cada renglón de la tabla de probabilidades de prueba. es decir. Dividir cada elemento de la matriz de probabilidades modificada entre la suma de su renglón. multiplicar cada elemento por la probabilidad previa correspondiente de estado de la naturaleza. para la demanda de pizzas.41. P (N │ R). utilizando las probabilidades del renglón de la matriz de predicción que corresponde a ese resultado de prueba.00 que cobra por utilizar la prueba.00 = $ 4.41 por día. Paso3. calcular el VME (de la prueba) multiplicando el VME máximo para cada resultado de prueba por la probabilidad de que ocurra ese resultado. La suma de estas probabilidades para cada renglón es ahora P (R). el VME que resulta de utilizar la prueba de la profesora es de $320. Elaborar una tabla de probabilidades de prueba. Paso 6. P (R │N) P (N). A continuación se resume el uso de este análisis: Paso 1. para cada estado de la naturaleza. P (R │N) P (N) / P (R). sumando todos estos resultados. es decir. Utilizando la matriz de pago calcular por separado el VME máximo para cada resultado de prueba. el valor neto de la prueba de la profesora es $320. P (el resultado de la prueba será R │ el resultado real fue N) y un conjunto de probabilidades previas P(N).70) (7/20) + (349. Paso 5.30) (7/60) = $ 320. Por tanto.41 Por ello. Calcular el valor neto de la prueba determinando la diferencia entre el VME de la prueba calculado en el paso 5 y el VME máximo posible sin la prueba. para obtener los elementos de la tabla de pronósticos.41 . a Ashley le convendría más no utilizar el servicio de pronóstico de la profesora. Puesto que este valor es inferior a los $5.$316.00) (2/10) + (314. es posible calcular el VME utilizando la prueba de la profesora: VME (de la prueba) = (VME máximo dado un pronóstico de 150) P (150 pronosticadas) + (VME máximo dado un pronóstico de 160) P (160 pronosticadas) + (VME máximo dado un pronóstico de 170) P (170 pronosticadas) + (VME máximo dado un pronóstico de 180) P (180 pronosticadas) Sustituyendo los valores adecuados. Utilizando los VME máximos para cada resultado de prueba. Paso 4.Utilizando la alternativa preferible para cada uno de los resultados posibles de la prueba y la probabilidad de que ocurra cada uno de esos resultados (a partir de la tabla18). En este caso se da un análisis 31 . P (R). Uso de arboles de decisión para el análisis bayesiano Es posible emplear arboles de decisión para representar la decisión de si deben utilizarse o no las predicciones de la profesora. se obtiene VME (de prueba) = (305.