15 Analisis de decisiones Los cap{tulos anteriores se han centrado en la toma de decisiones cuando las consecuencias de las decisiones alternativas se conocen con un grado razonable de certidumbre. Este entorno de toma de decisiones permitié formular modelos matemiticos titiles (programacién lineal, programacién entera, programacién no lineal, entre otros) con funciones objetivo que espe- cifican las consecuencias estimadas de cualquier combinacién de decisiones. Aunque estas consecuencias casi nunca pueden predecirse con seguridad completa, al menos se pueden es- timar con suficiente exactitud para justificar el uso de estos modelos (junto con el andlisis de sensibilidad, etcétera). ‘Sin embargo, muchas veces las decisiones deben tomarse en entornos con mayor incerti- dumbre. Se enumeran algunos ejemplos. 1. Un fabricante introduce un nuevo producto al mercado. ¢Cusl sera la reaccién potencial de los consumidores? éCudnto debe producir? Debe probar el producto en una regin pequefia antes de decidir la distribucién completa? {Cudnta publicidad necesita para lan- zar el producto con éxito? ‘Una empresa financiera invierte en certificados. «Cudles son los mejores prospectos de certificaclos de sectores del mercado e individuales?¢Hacia dénde va la economia? ¢Cud- les son las tasas de interés? {Cémo afectan estos factores las decisiones de inversién? 3. Un contrarista del gobierno presenta una licitacién. ¢Cudles serdn los costos reales del proyecto? Qué otras compafifas estan enla licitacién? éCudl es su presupuesto probable? 4, Una empresa agricola selecciona la mezcla de coscchas y ganado para la préxima tempo- rada, {Cues serdn las condiciones climsticas? éHlacia dénde van los preciso? éCusles se- ran los costos? 5. Una compaiifa petrolera decide perforar en cierto lugar. {Qué tan probable es que haya petrdleo ahf? ¢Cudnto? {Qué tan profundo tendrén que perforar? Deben los gedlogos investigar m4s el sitio antes de perforar? Elandlisis de decisiones esté disefiado para estudiar estos tipos de decisiones con una gran incertidumbre. El andlisis de decisiones proporciona un marco de trabajo y una metodologfa para la toma de decisiones racional cuando los resultados son inciertos. El capitulo anterior describe cémo la teorfa de juegos también se puede usar para cierto tipo de toma de decisiones con incertidumbre. Existen algunas similitudes cu los enfoques usados por la teorfa de juegos y el andlisis de decisiones. No obstante, también existen dife- rencias porque estén disefiados para distintos tipos de aplicaciones. Se describiran estas simi- litudes y diferencias en la seccién 15.2.750 15.1 15_Andlisie de decizionee ‘Una pregunta que surge con frecuencia es si tomar la decisién necesaria en este momento © primero hacer algunas pruebas (con cierto costo) para reducir el nivel de incertidumbre so- bre el resultado de la decisién. Por ejemplo, la prueba puede ser realizar una promocién de prueba de un nuevo producto para ver la reaccidn del consumidor antes de tomar la decisién de proceder o no con la produccién y comercializacién a gran escala del producto. Se hace re- ferencia a esta prucba como resultado de la experimentacién. Entonces, el andlisis de decisio- nes divide la toma de decisiones en los casos sin experimentacién y con experimentacién. La primera secci6n introduce un ejemplo prororipo que se estudiard a través de todo el capitulo con fines ilustrativos. Las secciones 15.2y 15.3 presentan los principios bésicos de la toma de decisiones sin experimentacitn y la toma de decisiones con experimentaciin. Despucs sc describen los arboles de decisién, una hetramienta ttil para describir y analizar el proceso de de- cisiones cuando debe tomarse una serie de ellas. La seccién 15.5 introduce la teoria de sstilidad, que proporciona una manera de calibrar los posibles resultados de la decisién para teflejar el valor verdadero de estos resultados para el tomador de decisiones. El capitulo con- cluye con la evaluacién de la aplicacién précrica del andlisis de decisiones y un resumen de la variedad de aplicaciones que han beneficiado mucho a las organizaciones involucradas. EJEMPLO PROTOTIPO La GOFERBROKE COMPANY cs duefia de unos terrenos en los que puede haber petrdleo, ‘Un gedlogo consultor ha informado a la gerencia que piensa que existe una posibilidad de 1 entre 4 de encontrar petréleo, Debido a esta posibilidad, otra compaiiia petrolera ha oftecido comprar las tierras en $90 000. Sin embargo, la Goferbroke esté considerando conservarla para perforar ella mis- ma. El costo de la perforaci6n es $100 000. Si encuentra petrélco, el ingreso esperado ser de $800 000; asi, la ganancia esperada para la compafiia (después de deducir el costo de la perfo- racién) serd de $700 000. Se incurrird en una pérdida de $100 000 (el costo de barrenar) sino se encuentra petréleo. La tabla 15.1 resume estos datos. La seccidn 15.2 estudia cémo abordar la decisi6n de si perforar o vender basada sélo en estos datos. (E’ste serd l primer problema de Guferbroke.) Sin embargo, antes de decidir si perforar o vender, otra opcién es llevar a cabo una explo- raci6n sismol6gica detallada en el érea para obtener una mejor estimacién de la probabilidad de encontrar petréleo. La seccién 15.3 presenta este caso de toma de decisiones con experimen- sacidn, y en ese momento se proporcionaran los datos adicionales necesarios. Esta compaiifa estd operando sin mucho capital por lo que una pérdida de $100 000 serfa bastante seria. En la seccién 15.5 se describe una manera de refinar la evaluacién de las conse- cuencias de los resultados posibles. TABLA 15.1 Ganancias prospectivas para la Goferbroke Company —— OF ETE a je la Pago Aleernativa Petrdies Seco Perforar buscando petréleo $700 000 $100 000 Vender ta tierra $.90.000 $90 000 Posibilidad del estado Ide 4 3de415.2 15.2 Toma de decisiones sin experimentacién 751 TOMA DE DECISIONES SIN EXPERIMENTACION Antes de buscar una solucién al problema de la Goferbroke, se formularé un marco de refe- rencia general para la toma de decisiones, En términos generales, el tomador de decisiones debe legir una accién de un conjumto de acciones posibles. El conjunto contiene todas las alternativas fuctibles bajo consideracién para las distintas formas de procedet cu el problema en cuestion, Esta eleccién de una accién debe hacerse frente a la incertidumbre porque el resultado se verd afectado por factores aleatorios que se encuentran fuera del control del tomador de deci- siones. Estos factores aleatorios determinan qué situacién se encontrar en el momento en que se ejecute la accién, Cada una de estas situaciones posibles se conoce como un estado de Ja naturaleza. Para cada combinacién de una accién y un estado de la naturaleza, el tomador de decisio- nes sabe cual serfa el pago sesultante. El pago es una medida cuantitativa del valor de las con- secuencias del resultado para el tomador de decisiones. Por ejemplo, muchas veces el pago se Teptesenta por laganancia monctaria neta (utilidad), aunque también se puede usar otras me- didas (como se describe en la seccién 15.5). Si las consecnencias del resultado no son por completo ciertas aunque el estado de la naturaleza esté dado, el pago se convierte en un valor esperado (en el sentido estadistico) de la medida de las consecuencias. En general, se usa una tabla de pagos para dar el pago de cada combinacién de accién y estado de la naturaleza. Sil lector ya estudid teorfa de juegos (capitulo 14), debe sefialarse una analogia intere- sante entre estos conceptos de andlisis de decisiones y el juego de dos personas con suma cero descrito en el capitulo 14. Eltomador de decisiones y lanaturaleza se pueden ver como dosjuga- dores de este juego. Las acciones alternativas y los estadas de la naturaleza posibles se pueden ver como las estvategias disponibles para los respectivos jugadores, donde el resultado de cada combinacién de estrategias es un pago para el jugador 1 (cl romador de decisiones). Desde este punto de vista, cl marco conceptual del anilisis de decisiones se puede resumir como: 1. El tomador de decisiones necesita elegir una de las acciones pasibles. 2. Lanaturalesa elegirs entonces uno de los estados de la nutwrulesua posibles. 3. Cada combinacién de una accién y un estado de la naturaleza da como resultado un pago, que estd dado como uno de los elementos de la tabla de pagos. 4. Esta tabla de pagos debe usarse para encontrar una accién dptima para el tomador de deci- siones segiin un criterio adecuado, ‘Mas adelante se presentarn tres posibilidades para este criterio, donde el primero (el criterio de pago maximin) se deriva de la teoria de juegos. Sin embargo, esta analogfa con los juegos de dos personas y suma cero, pone de manifics- tounaspecto importante. Ena teorfa de juegos se supone que ambos jugadores son racionales yeligen sus estrategias para promover su propio benefcio, Esta descripeién se ajusta al tomador de decisiones pero no a la naruraleza. Por el contrario, la naturaleza es un jugadot pasivo que lige sus estrategias (estados de la naturaleza) de alguna manera aleatoria. Este cambio signi- fica que el criterio de la tcorfa de jucgos para la forma de elegir una estrategia Optima (accién) no ser la mejor para muchos tomadores de decisiones en el contexto actual. Esnecesario agregar otro elemento a estos conceptos de tcorfa de decisiones. El romador de decisiones casi siempre tendré alguna informacién que debe tomar en cuenta sobre la posi- bilidad relativa de los estados de la naturaleza. Es comtin que se pueda traducir esta informa- cidn en una distribncidn de probabilidad, si se piensa que el estado de la naturaleza es una752 15 Andlisis de decisiones variable aleatoria, en cuyo caso esta distribucién se conoce como distribucién a priori. Las distribuciones a priori con frecuencia son subjetivas en el sentido de que pueden depender de la experiencia o la intuicién de un individuo. Las probabilidades para los respectivos estados, de la naturaleza se llaman probabilidades a priori. Formulacién del ejemplo prototipo en este contexto Como sc indica en la tabla 15.1, la Goferbroke Ou. debe considerar dus acivues pusibles: perforar en busca de petrdleo o vender el terreno. Los estados posibles de la naturaleza son que el subsuelo contenga petréleo y que no sea asi, esto se designa en los encabezados de las columnas dela tabla 15.1 comopetrdleo seco. Debido a que el gedlogo consultor ha estimado que existe 1 oportunidad entre 4 de que haya petréleo (y por ende 3 oportunidades de 4 de que no lo haya), las respectivas probabilidades a priori son 0.25 y 0.75. Por lo tanto, con las unidades de pago en miles de délares de ganancia, la abla de pagos mostrada en la tabla 15.1 se puede obtener directo de la tabla 15.2. Se usard esta tabla de pagos para encontrar la accién éptima de acuerdo con cada uno de los tres criterios que se describirdn. En cada caso, se emplearé una plantilla de Excel propor- ionada en los archivos del Excel para este capitulo. Estas plantillas aceleran la introduccién de una tabla de pagos en el formato de una hoja de céleulo y la aplicacién del criterio. Criterio del pago maximo Sicl problema del tomador de decisiones se viera como un jucyo contra la naturaleza, enton- ces la teorfa de juegos dirfa que se seleccionara la accién de acuerdo con el criterio minimax: (descrito en la seccién 14,2). Desde el punto de vista del jugador 1 (tomador de decisiones), tun nombre més adecuado para este criterio es criterio del pago mésimo, como se resume. Griterio del pago maximo: para cada accién posible, encuentre el pago minima sobre todos los estados posibles de la naturaleza. Después, encuentre el maximo de estos pa- gos minimos. Elija la accién cuyo pago minimo corresponde a este méximo. La plantilla de Excel desplegada en la figura 15.1 muestra la aplicacién de este criterio al ejemplo prototipo. Entonces, como el pago minimo por vender (90) es més grande que el de perforar (100), se elegird la segunda accién (vender el terreno). El razonamiento para este criterio es que proporciona la mejor garantia del pago que se obtendr4. Sin importar cudl sea el estado de la naturaleza verdadero para el ejemplo, el pago por vender el terreno no puede set menor que 90, lo cual proporciona la mejor garantfa dis- ponible. Asf, el cricerio roma el punto de vista pesimista de que, sin importar qué accién se TABLA 15.2 Tabla de pagos para la formutacién de andlisis de deci jel problema de Goferbroke Co, Estados de rraleza Alternativa Petréleo Seco 1. Perforar 700 ANE Probabilidad a prior 2515.2 Toma de decisiones sin experimentarién 753 FIGURA 15.1 Ea Ty B Aplicacin de Ia plantilla z Se de Excel para el citerio SPICE GET” *=SIHE*MAKINHES sH8S)°Macimn® de pogos maximin en el 2 | +ANiC? GT} © FOMHT=MAisHES SHS) Mariner? primer problema de HOUCe Se) SMB IANi5 9) Moura Goferbroke Co. OR ere clija, es posible que ocurrael peor estado de a naturaleza para esta accidn, asf, debe clegirse la accién que proporcione el mejor pago para el peor estado de la naturaleca, Este razonamiento es bastante vilido cuando se estd compitiendo contra un oponente ra- sional y malévolo. Sin cmbargo, este criterio casi no se usa en juegos contra la naturaleza ya que ¢s demasiado conservador en este contexto. En efecto, supone que la naturaleza es un ‘ponente consciente que quiere infligir al tamador de decisiones todo el dao que le sea posi- ble. La naturaleza noes un oponente malévolo y el tomador de decisiones no necesita enfocar suatencién s6lo en el peor pago de cada accidn, Esto es cierto en especial cuando el peor de los pagos se genera por un estado de la naturaleza relativamente poco probable. Asi, este ctiterio.es de interés en general para un tomador de decisiones muy precavido. Criterio de la maxima posibilidad Elsiguiente criterio se refiere al estado mds probable de la naturaleza, como se resume a conti- nuacién. Criterio de la maxima posibilidad: identifique el estado més probable de la natura- leza (aquel que tiene la probabilidad a priori més grande). Para este estado de la natu- raleza, encuentre la accién con el maximo pago, Elija esta accién. Al aplicar este criterio al ejemplo, la figura 15.2 indica qne el estado Seco tiene la mayor probabilidad « priori. En la columna Seco, el pago méximo corresponde a la venta, pot lo que la eleccidn es vender el terreno, Lo que més llama la atencién de este criterio es que el estado més importante de la natu- raleza es cl que ticne mids posibilidades de ocurrir, de manera que la acci6n elegida es la mejor para este estado mds importante de la naturaleza, Basar la decisiGn en la suposicién de que este estado de la naturaleza ocurriré tiende a dar mejor posibilidad de un resultado favorable gue la suposicién de cualquier otro. Mas atin, elcriterio no se basa en estimaciones subjetivas cuestionables de las probabilidades de los respectivos estados de la naturaleza que no sean el hecho de identificar el estado mas probable.754 FIGURA 15.2 Aplicacién de fa de Excel para el criterio. de la posibilidad maximo al primer problema de Goferbroke Co. 15. Anilisis de decisiones Ei | Template for Mapamuny Likel hood Criterion | | ‘Altemative Si Ory Dall 700 © Y-100 30 90 6 8 planta 7 Fe 9. La mayor desventaja del criterio es que ignora por completo mucha informaci6n relevan- te. No considera otro estado de la naturaleza distinto al mds probable. En un problema con ‘muchos estados posibles de la naturaleza, la posibilidad de que ocurra el més probable puede ser bastante pequefia, por lo que centrarse sélo en este estado de la naturaleza es bastante ries- goso. Aun enel ejemplo, donde la probabilidad a priori del estado Seco es 0.75, este criterio ig- nora el atractivo pago de 700 que obticne perforar y encontrar petrélco. De hecho, cl criterio ‘no permite jugar con un pago alto que tiene una probabilidad baja, no importa qué tan atrac- tivo sea tomar el riesgo. Regla de decisién de Bayes! Eltercer criterio que se usa con mas frecuencia es la regla de decision de Bayes, descrita como: Regla de decision de Bayes: usando las mejores estimaciones disponibles de las pro- babilidades de los respectivos estados de la naturaleza (en este momento las probabili- dades a priori), se calcula el valor esperado del pago de cada accidn posible. Se elige la accidn con el maximo pago esperado. Para el ejemplo protoripo, estas pagas esperados se calculan directamente de la tabla 15.2 de la siguiente manera: E{pago (perforar)] =0.25(700) +0.75(-100) =100. 25(90) + 0.75(90) =90. Como 100 es mayor que 90, la accién seleccionada es perforar en busca de petréleo. Observe que esta eleccidn es contraria a elegir la venta del terreno obtenida con las dos ctiterios anteriores. Elpago (vender) "Bl origen de este nombre es que con frecuencia eda crédito por él al Reverendo Thomas Bayes, un ministeo inglés ‘no conformista del siglo xvi reconocido como fildsofo y matemiético. (La misma idea bisica tiene rafes més ant guas en el campo de la economia.) Esta regla de decision también suele lamarsecriterio del valor monetarioesperado (VME) aunque sea un mal nombre paralos casos en que la medida de pago es otra que el valor monetario (comoeen la seccidn 15.5).15.2 Toma de decisiones sin experimentacin, 755 Template for Bayes’ Decision Rule Biola ofNeture is Dy 700-100 9090 FIGURA 15.3 Aplicacién de la plantilla de Excel para la regla de decision de Bayes al primer problema de Gofebroke Co. ima oe Rigas Soa. SEES MONOD pe VA HTT aon SCCTONE SF $CSIG SEAIOR eavirN Fs ls La figura 15.3 muestra la aplicacién de la plantilla de Excel para la regla de decision de Bayes en este problema. La palabra Maximum en la celda 15 significa que debe elegirse la al- ternativa de perforar en el renglén 5 porque tiene el pago maxima esperado La gran ventaja de la regla de decisin de Bayes es que incorpora toda la informacién dis- ponible, incluso todos los pagos y las mejores estimaciones disponibles de las probabilidades de los respectivos estados de la naturaleza. En ocasiones se argumenta que estas estimaciones de las probabilidades son necesaria- ‘mente subjetivas y por lo tanto no se puede confiar en ellas. No existe una manera exacta, ni siquicra en términos de probabilidades, de predecir el futuro y esto incluye un estado de la na- turaleza fururo, Este argumento tiene cierta validez. Deberd evaluarse qué tan razonables son estas estimaciones de las probabilidades, para cada situacién individual. ‘Sin embargo, en muchas circunstancias, la experiencia y la cvidencia actual permiten de- sarrollar estimaciones razonables de las probabilidades. Usar esta informacién deberd pro- porcionar un fundamento més s6lido para tomar una buena decisiOn que se se ignora. Lo que ¢¢s més, con frecuencia se puede llevar a cabo una experimentacién para mejorar estas estima- ciones; esto se describiré en la siguiente seccién. Por todo esto, en lo que queda del capitulo, sdlo se usaré la regla de decisién de Bayes. Para evaluar el efecto de posibles inexactitudes en las probabilidades a priori, suele ser ttil realizar un anilisis de sensibilidad, como sc describe ahora. Anilisis de sensibilidad Es comin usar el anilisis de sensibilidad con varias aplicaciones de investigacin de operacio. nes para estudiar el efecto si algunos ntimeros incluidos en el modelo matemético no son co- rrectos. En este caso, ¢l modelo matemdtico esté representado por la tabla de pagos mostrada en la figura 15.3. Los niimeros de esta tabla més cuestionables son las probabilidades a priori en las celdas C10 y D10. Este estudio se centraré en el andlisis de sensibilidad sobre estos ni- meros, aunque se puede aplicar un enfoque similar a los pagos dados en la tabla.15. Analisis de decisiones La suma de las dos probabilidades a priori debe ser 1, por lo que si se aumenta una de cllas, la otra debe disminuir de manera autom en la misma cantidad, y viceversa. La ad- ministracién de Goferbroke cree que la posibilidad ideal de encontrar petréleo en el drea debe estar entre 15% y 35%. En otras palabras, es posible que la probabilidad a priori verdadera de encontrar petréleo esté entre 0.15 y 0.35, de manera que encontrar que el terreno esté seco tendré probabilidad a priori entre 0.85 y 0.65. Elanélisie de censibilidad comienza aplicando la regla de decisién de Daycs dos veces, uta cuando la probabilidad a prion’ del petrdleo esté en el limite inferior de este intervalo (0.15) y la otra cuando esté en el limite superior (0.35). La figura 15.4 muestra los resultados de hacer esto. Cuando la probabilidad a priori del petréleo es s6lo 0.15, la decisién se inclina a la venta del terreno por un amplio margen (un pago esperado de 90 contra sdlo 20 por la perfora- cién). Sin embargo, cuando esta probahilidad es 0.38, la decisién es perforar con un margen amplio (pago esperado = 180 contra s6lo 90 por la venta). Entonces, la decisién es muy sensi- ble a la probabilidad a priori de encontrar petrdlco. Este andlisis de scusibilidad revela que es importante hacer algo més, si es posible, para determinar cual es el valor verdadero de la pro- babilidad de encontrar petrdleo. Sea p= probabilidad a priori de encontrar petréleo, cl pago esperado de perforar para cualquier valor de pes E[pago (perforar)} = 700p ~ 100(1 - p) =800p-100 FIGURA 15.4 Andlss de sensbilidad Regla de decision de Bayes para ol problema de Goferbroke_ con valores alternativos I 1 T dela probabilidad a — Tete ofNahre priori de encontrar Aiemeive “|. “ow oy petrélea Dail 700-100 Sell 30-90 Prior Probabilty [O75 085 BAIS casera T__ Siete ofNeure 1 Oil Dy’ 700-100 90 9015.2 Toma de decisiones sin experimentacién 757 4 Perforar en 700 | ! busca de I 4 petréleo i 600} ' & | 4 Regidn | Regién donde la 500 - donde la 1 decisién debe ser $ decisién | _perforar en busca debeser | -—-de petrdleo Bs00 ' 1 1 i 300 1 i ' FIGURA 15.5 200 | Grafica del cambio del | Pago esperado para 7 \ rel .cada accion alternativa ; a cuando la probabiidad @ priori de encontrar 0 petréleo para el pnmer . 06 08 10 problema de Punto de Probabilidad a priori de petréleo Goferbroke Co. ~100 eruce La linea inclinada en la figura 15.5 muestra la gréfica de este pago esperado contra p, que es justo la linea que pasa por los dos puntos dados en las ccldas C10 y 15 cn las dos hojas de célculo de la figura 15.4. Como el pago por la venta serfa 90 para cualquier p, la linea horizon- tal de la figura 15.5 da E[pago (venta)} contra p. Elpuntoen a figura 15.5 donde se cruzan las dos rectas es el punto de cruce donde la de- cisién cambia de una alternativa (vender) a la otra (perforar) cuando la probabilidad a priori aumenta. Para encontrar este printo se establece Flpago (venta)] = Flpage (venta)] 800p-100 = 90 220 0.2375 300 Conclusién: se debe vender el terreno si p< 0.2375, se debe perforar en busca de petrdleo si p> 0.2375. En otros problemas que tienen mas de dos acciones alternativas, se puede aplicar el mis- ‘mo tipo de andlisis. La diferencia principal es que habra més de dos rectas (tuna por alternati- va) en la gréfica que corresponde a la figura 15.5. Sin embargo, la linea superior para cualquier valor de la probabilidad a priori seguirs indicando qué alrernativa debe elegirse Con més de dos lineas, puede haber mds de un punto de cruce donde la decisién cambia de tuna alternativa a otra.758 15 Anélisis de decisiones En un problema con més de dos estados de la naturaleza posibles, el enfoque més directo escentrar el analisis de sensibilidad en s6lo dos estados a la vez como se describid. De nuevo, esto implica investigar qué pasa cuando la probabilidad a priori de un estado aumenra mien- tras la del otro disminuye en la misma cantidad, y se mantienen fijas las probabilidades a priori de los estados restantes. Este procedimiento se repite para los pares deestados que sc desce. Quienes aplican teorfa de decisiones suelen usar paquetes de software como ayuda en el andlisis de sensibilidad, incluso la generacién de gréficas. Por ejemplo, un complemento de Excel en el OR Courseware llamado Senslt esté disefiado justo para realizar el andlisis de sen- sibilidad con modelos probabilisticos como la regla de decisién de Bayes, EICD-ROM inclu- ye la documentacién completa de SensIt. Debido a que la decisién que Goferbroke Co. debe tomar depende de manera tan critica de la probabilidad verdadera de encontrar petrélco, debe darse una consideracién seria a la realizacién de una investigacién sismol6gica para estimar mejor esta probabilidad. Se explo- rard esta opcion en las dos secciones siguientes. 15.3_ TOMA DE DECISIONES CON EXPERIMENTACION Es frecuente hacer pruebas adicionales (experimentacién) para mejorar las estimaciones pre- liminares de las probabilidades de los respectivos estados de la naturaleza dadas por las proba- bilidades a priori. Estas estimaciones mejoradas se llaman probabilidades a posteriori. Primero se actualizaré el ejemplo de la Goferbroke Co. para incorporar la experimenta- cién, después se describird cémo obtener las probabilidades a posteriori y por tltimo, se anali- zard cémo decidir si vale la pena realizar la experimentation. Continuacién del ejemplo prototipo Como se mencioné al final de la seccién 15.1, una opcién disponible antes de tomar una deci- sin ¢s llevar a cabo una exploracién sismolégica del terreno para obtener una mejor estima- cién de la probabilidad de que haya petréleo. El costo es de 30 QU délares. ‘Una exploracidn sismolégica obtiene sondeos sismicos que indican si la estructura geo- {ogica es favorable para la presencia de petr6leo. Los resultados posibles de la exploracién se dividen en las siguientes categorias: SSD: sandens sismicas desfavorables; es poco probable encontrar petréleo. SSF: sondeos sismicos favorables; es bastante probable encontrar petréleo. ‘Segtin la experiencia, si hay petréleo, la probabilidad de sondeos sfsmicos desfavorables es: P(SSD|estado = petréleo) = 0.4, y —P(SSF|estado = petrdleo) =1 - 0.4 =0.6. De igual manera, si no hay petréleo (es decir, si el verdadero estado de la naturaleza es Seco), entonces la probabilidad de sondeos sismicos desfavorables se estima en: P(SSD|estado = seco) =0.8, y P(SSF|estado = seco) = 1 - 0.8 = 0.2. Mis adelante se usardn estos datos para encontrar las probabilidades a posteriori de los respectivos estados de la naturaleza dados los sondeos sismicos.15.1. Tama de decisionee con experimentacién 159 Probabilidades a posteriori Al continuar en términos generales, sea n P(Estado = estado i) nimero posible de estados de la naturaleza; probabilidad a priori de que el estado de la naturaleza verdadero sea el estado i, para B21, 2M Resultado = resultado de la experimentacién (una variable aleatoria); Resultado j= un valor posible del resultado; P(estado = estado i resultado = resultado j) = probabilidad a posteriori de que el estado de la naruraleza verdadero sea el estado i, dado que resultado = resultado j para i=1,2,..50. La pregunta que se hace en este momento es la siguiente: Dados P(estado = estado) y P(resultado i=1, 2,...,m, deudl es el valor de Plestado La respuesta se obtiene con la combinacién de las siguientes formulas estindar de teoria de probabilidad: (edo. = lo 4, = ltado, (edo. = estado i resultado = resultado j) = a ee (resultado = result 1. (resultado = resultado j) = 5° P(estado =estado k, resultado = resultado j) a P(edo. = estado i, resultado = resultado j) = P(resultado= resultado j| estado = estado i) P(estado= estado i) Porlotanto, para cadai=1, 2,...,m, la formula deseada para la probabilidad a posteriori corres- pondiente es stad 2 resultado = rebuleado)= ? re ©» _P(eesultade = resultado j estado = estado f)Plestado = estado). se 2 Plresultado = resultado jextado = estado by P(estado = estado 8) aes (Esta formula con frecuencia se conoce como teorema de Bayes porque fue desarrollada por ‘Thomas Bayes, el mismo matemético del siglo XVIII a quien se da crédito por desarrollar la re- gla de decision de Bayes.) ‘Sc aplicars esta formula al ejemplo prototipo. Si el resultado de la exploracién es sondeos sismicos desfavorables (SSD), entonces las probabilidades a posteriori son 0.4(0.25) i = resultado = SSD) = — Prestado= perréeo| = Fa(0.25) +0.8(075) 7” Plesado = seco|resutado= SSD) = 1-2 = $.760 15 Anilisis de decisiones ‘De igual manera, si la exploracién da sondeos s{smicos favorables (SSF), entonces 0,6(0.25) 1 .6(0.25)+0.2(0.75) 2° (estado = seco| resultado = SSF) = 1-5 : Pestader= petrdlen| resultado = SSF) El diagrama de rbol de probabilidad de la figura 15.6 muestra una manera agradable de organizar estos célculos de una manera intuitiva. Las probabilidades a priori en la primera columna y las probabilidades condicionales en la segunda son parte de los datos de entrada del problema. Al multiplicar cada probabilidad en la primera columna por una probabilidad cn la segunda se obtiene la probabilidad conjunta correspondiente en la tercera columna, ‘Cada probabilidad conjunta se convierte en el numerador para el célculo correspondiente de Ja probabilidad a posteriori en la cuarta columna. Al acumular las probabilidades conjuntas con los mismos resultados (como se muestra abajo del rbol en la figura) se obtiene el deno- minador para cada probabilidad a posteriori con este resultado. EIOR Courseware incluye también una plantilla de Excel para calcular estas probabilida- ddes a posteriori, como se muestra en la figura 15.7. ‘Una vez completos estos cdlculos, se puede aplicar la regla de decisién de Bayes igual que antes, donde las probabilidades a posteriori sustituyen a las probabilidades a priori. De nuevo, FIGURA 15.6 Probabilidades Probabilidades Probabilidades Probabilidades Diagrama de arbol de 1 priori condicionales cconjuntas 1 posteriori probablidades para al P(estada) P(resultadalestado) P(estado y resultada) P(estaca| resultado) problema completo de Goferbroke Co. que rmwestra todas las OS _o.5 probabiidades que 0.25(0.6)=0.15 03s) llevan al cAlculo de cada O85 Pewdleoy SSF — Petr6leo, dado SSF probabilidad a posteriori FE Feo del estado de la "pe naturaleza dado el Oe resultado del estudio de ¥ Belts 0.25(0.4)=0. + sismologi. Petréleo y SSD ~ Petréleo, dado SSD Reco @ Bee a o750=06 2 ‘Seco y SSD ‘Seco, dado SSD Probabilidades incondicionales: P(SSF) = 0.15+0.15 = 0.3 (resultado) P(SSD) = 0.1 +0.6 [Eee | eerereeerereeremesy15.3 Tama da dacitiones con experimentacién FIGURA 15.7 Eltemplete de probebildades @ posterior en el OR Courseware permi calulo eficiente de ‘estas probabilidades, 761 ——PiFinding | Sag), — Finding Naturo_| Probobility | Pac" Us3. Oi 025 06 04 Dry O75 ue 08 Finding _ FiFinding FSS 43 pk pescur Pinging? -SUMAPREDUCTOIGS c1nD6:bin) ,-CErDeRSUMAPRODUCTOUECINDEDIe- ‘C#PER/SUMAPRODUCTONCE spenarrocuctogs CIDES ENO nee ® ee =SUMAPRODUCTO(CS CIC FE, eee SOOT [eee te =SUMAPRODUCTO(CE CI.Ge:c1 tIMAPRIODUCTOY on =SUMAPRODUCTOKCS C10 He: 0) Se HBISUMAPHOGDE OS CSET 9) sise usan los pagos (en miles de délares) dados en la tabla 15.2 y se resta el costo de la experi- mentacién, sc obticnen los resultados que se muestran a continuacién. Pago esperado si el resultado es un sondeo desfavorable (SSD): 1 Epago(perforar| resultado = SSD) Elpago(venta| resultado = SSD) 15.7. = 60. (700) + $200) -30 (00)+ a) ~30 Pago esperado si el resultado es un sondeo favorable (SSE): Elpago(perforar| resultado = SSF)]= 3.700) + ; (100) - 30 =270.762 1S Anslicie de decitionee TABLA 15.3 La politica éptima con experimentacién, de acuerdo con la regla de Bayes, para el problema de la Goferbroke Co. Pago esperado Pago esperado Resultado del excluyendo el costo | _incluyendo el costo sondeo Accién éptima de la exploracién de la exploracién $80 ender al terreno 90 60 SSF Perforar por petréleo, 300 270 E{pago (venta rsutado= SSF)] = 2,90) + 3 90) -30 = 60. ‘Como el objetivo es maximizar el pago esperado, estos resultados llevan a la politica Sptima mostrada en la tabla 15.3. Sin embargo, lo que este andlisis no resuelve es si vale la pena gastar $30 000 para llevar a cabo la experimentacién (la exploracién de sismologia ). Tal vez seria mejor evitar este impor- tante gasto y s6lo usar la solucién éptima sin experimentacién (perforar en busca de petrleo con un pago esperado de $100 000). Este aspecto se estudiard en seguida El valor de la experimentacion Antes de realizar cualquier experimento, debe determinarse su valor potencial. Se presentan aqui dos métodos complementarios para evaluar su valor potencial El primer método supone (de manera poco realista) que la experimentacién eliminaré toda la incertidumbre sobre cudl es el estado verdadero de la naturaleza y después hace un céleulo répido sobre cual serfa la mejora en el pago esperado (ignora cl costo de experimenta- cin). Esta cantidad, llamada valor esperudo de la informucién perfects, proporciona una cota su- perior para cl valor potencial del experimento. Entonces, si esta cota superior es menor que el costo del experimento, éste definitivamente debe llevarse a cabo. ‘No obstante, si esta cota superior excede el costo de la experimentacién, entonces debe usarse el segundo método (més lento). Este método calcula la mejora real del pago esperado (ignora el costo de experimentacién) que resultarfa al realizar el experimento. La compara cién de esta mejora con el costo indica si el experimento debe llevarse a cabo. Valor esperado de la informacion perfecta. — Suponga ahora que el experimento puede identificar de manera definitiva cul es el verdadero estado de la naturaleza y propor- oe = gee166 15 Ansliie de desicionoe cién. Después viene la segunda decisién (nodos ¢, d ye) con sus opciones posibles. Si la decisién es perforar, entonces se llega a otro nodo de probabilidad (los nodos f, gy h), donde las dos ramas corresponden a los dos estados posibles de la naturaleza. Observe que la trayectoria seguida para llegar a cualquier pago (excepto la inferior) est dererminada tanto por la decisiGn tomada como por los eventos aleatorios que estan fuera del control del romado de decisiones. Esta es una caracteristica de los problemas que sc estudian cen el anilisis de decisiones. El siguiente paso en la construccién del drbol de decisién es insertar mimeros en el drbol como se muestra en la figura 15.10. Los niimeros abajo y arriba de las ramas que no estan en- tre paréntesis son flujos de efectivo (en miles de délares) que ocurren en esas ramas. Para cada trayectoria a través del érbol desde el nodo a alas ramas terminales, estos niimeros se suman para obrener el pago total que resulta, mostrado en negritas a la derecha de cada rama. El lti- ‘mo conjunto de nimeros es el de las probabilidades de los eventos. En particular, como cada rama que sale de un nodo de probabilidad representa un evento aleatorio posible, la probabi: lidad de este evento que ocurre a partir de este nado se encuentra entre paréntesis junto con sta rama. Del nodo de probabilidad h, las probabilidades son las probabilidades a priori de los FIGURA 15.10 Pago Arbol de decision de la figura _ 15.9 después de agregar las ps 670 probabilidades de los PE G00 eventos aleatorios y los ery ee ages. ss Seco (0.857) -130 we <1 90 Vender 60 go) 670 yer! B ae a SS Seco (0.5) -130 oS Se Vender Cy 025). — 700 tal 00. ; 3350 Ss Seco (0.75) 100 x re Ve 90 "ender15.4 Arboles de decisién 767 estados de la naturaleza, ya que en este caso no se ha realizado el estudio para obtener més in- formacion, Fero los nodos f y_g salen de una decisidn de explorar (y después perforar), Entonces, las probabilidades de estas nados son las probabilidades a porteriori de los estadus de 4a naturaleza, dados los resultados del estudio, donde estos mimeros se dan en las figuras 15.6 ¥ 15.7, Por tltimo, se tienen dos ramas que salen del nodo de probabilidad 4. Los némeros son las probabilidades de los resultados del estudio, favorable (SSE) o desfavorable (SSD), \uunu se da abajo del diagrama del rbol de probabilidad en la figura 15.6 o en las celdas C15:C16 de la figura 15.7. Andlisis Una vez. construido el érbol de decisidn, con sus niimeros, se puede analizar l probleusa won el siguiente procedimiento: 1. Inicic en el lado derecho del drbol de decisién y muévase ala izquierda una columna ala vez. Para cada columna, realice cl paso 2 vel paso 3 seguin si los nodos en esa columna son de probabilidad o de decisién. 2. Para cat nodo de probabilidad, calcule su pagoesperado, para ello multiplique el pago es- perado de cada rama (dado en negritas a la derecha) por la probabilidad de esa rama y después sume estos productos. Registre esta cantidad esperada para cada nodo de deci- si6n en negritas junto al nado y designe esta cantidad como el pago esperado de la rarma que lleva a este nodo. 3. Para cada nodo de decisién, compare lus pagos esperados de sus ramas y seleccione la al- ‘ernativa cuya rama tenga el mayor pago esperado. En cada caso, registre la eleccidn en el drbol de decisién con una doble raya como barrera en las ramas rechazadas. Para comenzar el procedimiento, considere la columna de nodos de la derecha, es decir, los nodos de probabilidad f; g y 4. Aplique el paso 2, sus pagos esperados (PE) son PE=3(670)+ $(130)=-15 7, para el nodo f, PE= 3.670) + fer 30) =270, para el nodo 4, PE = £700) + 3(-100) = 100, para el nodo h, Estos pagos esperados se colocan arriba de estos nodos, como se muestra en la figura 15.11. Acontinuacién, nos movemos una columna a la izquierda, que consiste en los nodos c,d y¢. El pago esperado para una rama que lleva a un nodo de probabilidad se registra en negri- tas arriba de ese nodo. Por lo tanto, el paso 3 se puede aplicar como sigue: Nodo e: 1a alternativa de perforar tiene PE = -15.7, la alternativa de vender tiene PE = 60, 60 > -15.7, de manera que se elige la alternativa de vender Nodo d: la altcrnativa de perforar tiene PE = 270, la alternativa de vender tiene PE = 60, 270 > 60, de manera que se elige Ia aleernativa de perforat.768 15_Anélisis de decisiones 670 130 b ’ FZ a Seco (05) -130 @ SS ) g re VOrabye 270 7S as 3 ~Taly 90 7 Vender 60 : 25) 700 a a (0. 199 230 — FIGURA 15. | ae : 0 ‘bol de decision vom = ] final que registra el “glee - he Seev (0.75) 100 andlisis para al a problema completo fso de Goerbroke Co. Venda 90 ‘cuando se usan pages en dinero. Nodo ¢: Ja alternativa de perforar tiene PE = 100, la alternativa de vender tiene PE = 90, 100 > 90, de manera que se elige la alternativa de perforar. El pago esperado para cada alternativa elegida se registra en negritas arriba del nodo de deci- sin, como se mostré en la figura 15.11. [a alternativa seleccionada también se indica con la insercién de una doble raya como una barrera en cada rama rechazada, Después, el proceso se mueve una columna més a la izquierda hasta el nodo b. Como es un nodo de probabilidad, debe aplicarse el paso 2 del procedimiento. El pago esperado para cada rama se registra arriba del nodo de decisién que sigue. Por lotanto, el pago esperado es PE= .7(60) + 0.3(270) =123, para el nodo b, como se registra en este nodo en la figura 15.11.15.4 Arboles de decisién 769 Por titimo, nos movemos al nodo de la izquierda a, un nodo de decisién. La aplicacién del paso 3 Nodo a: Realizar el estudio de sismologia tiene PE = 123, no realizar el estudio tiene PE = 100, 123 > 100, de manera que se elige realizar el estudio de sismologia. Este pago esperado de 123 se registra arriba del nodo y con la doble raya que indica la rama recharada, como se muestra en la figura 15.11. Este procedimiento se ha movido de derecha a izquierda para el anilisis. Sin embargo, al completar el érbol de decisién, el wmador de decisiones ahora puede leerlo de izquierda a de- recha para ver el avance real de los eventos. Las rayas dobles han cerrado las trayectorias no deseadas. Entonces, dados los pagos para los eventos finales en el lado derecho, la regla de de. «isin de Bayes dice que se sigan s6lo las trayectorias abiertas de izquierda a derecha para lograr el pago esperado mayor posible. Alseguir las trayectorias abiertas de izquicrda a derecha cu la figura 15.11 se llega ala si- guiente politica éprima. Politica dptima: Realizar cl sondco de sismolugia. Si el resultado es desfavorable, vender el terreno. Si el resultado ¢s favorable, perforar en busca de petréleo. El pago esperado (que incluye los casts del estudio ) es 123 ($123 000). Es evidente que esta solucién éptima (\inica) cs la misma que la obtenida en la seccién ante- rior sin el beneficio de un érbol de decisién. (Vea la politica éptima con experimentacién dada cna tabla 15.3 y la conclusién, al final de la secci6n 15.3, que indica que vale la pena realizar la experimentacién.) Para cualquier drbol de decisién, este procedimiento de induccién hacia atrés siempre llevaré a la poltica dptima (0 politicas) después de calcular las probabilidades para las ramas que salen de un nodo de probabilidad. Software util En ocasiones, quienes aplican la técnica usan paquetes especiales para ayudar en la construc- cidn y anilisis de los drboles de decisién. Existen complementos de Excel. Uno de ellos ¢l TreePlan, un software de uso libre desarrollado por el profesor Michael Middleton. La ver- si6n académica de TreePlan se incluye en el OR Courseware, junto con el paquete del profe- sor Middleton SensIt mencionado al final de la seccién 15.2. Es sencillo usar TreePlan para construir un drbol de decisién equivalente al de la figura 15.11 y otros mucho mds grandes. Fn el proceso, TreePlan resuelve el drbol. El archivo de Excel para este capitulo incluye los érboles de decisién de TreePlan para tres versiones del pro- blema de Goferbroke. El CD-ROM ineluye la documentacién complera. Para construir un drbol de decisién con TreePlan, vaya al ment Tools y seleccione Deci- sion Tree, con esto aparece el cuadro de didlogo de “TreePlan... New” mostrado en la figura 15.12. Alseleccionar New Tree se agrega un érbol en la hoja de célculo que sélo tenia un nodo de decisién (cuadro) con dos ramas. Si hace clic justo a la derecha de un nodo terminal (mos- trado por una marca vertical al final de una rama), después se elige Decision Tree del ment15 Andlisis de decisiones | OCopy subtree Qinsert oecision OQ insertevent . Berengstoevent ‘Oswortentvee kG wih F Oobanget terial y Batyon hewn FIGURA 15.12 CCuadros de dislogo usados por TreePlan para construir un arbol de decision. 15.5 ‘Tools para que aparezca el cuadro de didlogo de “TreePlan...Terminal” (vea la figura 15.12), que permite definir el nodo terminal como un nodo de decisién o uno de probabilidad con el ‘nuimero deseado de ramas (entre 1 y 5). (En TreePlan, los nodos de decision se aman decision nodes y los de probabilidad, event nodes.) En cualquier momento se puede hacer clic en un nodo de decisién existente (cuadrado) o en uno de probabilidad (cfrculo) y scleccionar Deci- sion Tree del ments Tools para que aparezca el cuadro de didlogo correspondiente —“Tree- Plan...Decision” o “TreePlan...Event”— para hacer cualquiera de las modificaciones dadas enla figura 15.12 a ese nodo. Para completar el Arbol de decisién, se introducen los nombres, flujos de efectivo y probabilidades de las ramas directo en la hoja de célculo. TreePlan suma de manera automitica los flujos de efectivo para obtener los flujos totales (pagos) que se mues- tran a la derecha de cada rama. TEORIA DE UTILIDAD Hasta ahora, al aplicar la regla de decisién de Bayes, se ha supuesto que el pago esperado en términos monetarios es la medida adecuada de las consecuencias de optar por una accién. Sin embargo, en muchas situaciones esta supasicidin no es apropiada15.5 Teoria de utilidad am Por cjemplo, suponga que se offece a un individuo la oportunidad de 1) aceptar un 50% de posibilidades de ganar $100 000 0 nada, o 2) recibir $40 000 con seguridad. Muchas per. sonas preferirén los $40 000 aun cuando el pago esperado wun 50% de posibilidades de. ganar $100 000 ¢s $50 000. Una compafifa no siempre estard dispuesta a invertir una gran suma de dincro en un nuevy producto, aungue la ganancia esperada sca sustanciosa, si existe un riesgo de perder la inversién y quedar en bancarrota. Las personas compran seguros annqive cea una ‘mala inversion desde el punto de vista del pago esperado. Anvalidan estos ejemplos la regla de decisién de Bayes? Por fortuna la respuesta es 10, Pues los valores monetaras se pueden transformar en una escala adecuada que reflee las pref. rencias del tomador de decisiones. Esta escala sc Mama fisncién de utilidad para el dinero. Funci6n de utilidad para el dinero Ta figura 18.13 muestra una fanci6n de utilidad tipicaw(f) para la cantidad de dinero M. La figura indica que un individuo que tiene esta funcidn de utilidad valora la obtencidn de $30 000 en el doble que $10 000 y valoraria la obtencién de $100 000 en el doble que obte- net $30 000. Esto refleia el hecho de que las necesidades de mds alta prioridad de nna persona FIGURA 15.13 4M), Funcién de utilidad tiplea para el dinero, donde u(M) es ta utilidad de obtener tuna cantidad de dinero M. $10.000 $30 000 ‘$60 000 $100 000m2 15 _Andlsi do decisiones ‘quedarian satisfechas con los primeros $10 000. Cuando se tiene nina pendiente de ta fan idn que disminuye conforme aumenta la cantidad de dinero se dice que se tiene una utilidad ‘marginal decreciente para el dinero. Se dice que este individuo tiene aversi6n al riesgo. ‘Sin embargo, no todas las personas tienen una utilidad marginal decreciente para el dine- +0. Algunas buscan el riesgo en lugar de sentir aversén al rieyo y van por la vida buscando el premio gordo”. La pendiente de su funcién de udlidad axmenta vonformc la cantidad de di- nero crece, de manera que tienen una utilidad marginal creciente para el dinero, El caso intermedio es un individuo neutral al riesgo, que aprecia el dinero pot lo que vale. La funcign de utilidad de este individuo es sencillamente proporcional ala cantidad de dinero involucrada. Aunque algunas personas parecen neutrales al riesgo cuando se trata de pequefias cantidades, no es usual que sean en verdad neutrales al riesgo de grandes sumas. ‘También es posible mostrar una mezcla de estos tipos de comportamiento. Por ejemplo, ‘un individuo puede en esencia ser neutral al riesgo con poco dinero, convertirse en un busca- dor de riesgo con cantidades moderadas y después sentir aversion al riesgo con grandes su- ‘mas. Adems, la actitud hacia el riespo puede cambiar con el tiempo y las circunstancias. “La actitud de un individuo hacia el riesgo si se trata de las finanzas personales puede dife- rir de cuandose roman decisiones por una organizacién. Por ¢jcmple, los adninistradores de tuna empresa deben considerar las circunstancias de la compania y la filosofia colectiva de la alta administracin para determinar la actitud adecuada ante el riesgo para tomar esas deci- Elhecho de que distintas petsonas tienen funciones de urilidad diferentes para el dinero tiene una aplicacién importante para el tomador de decisiones frente a la incertidumbre. ‘Cuando una funcién de wtiliad para el dinero se incorpora en un enfoque de anilisis de decisio- ‘nes para un problema, esta fincién de utilidad debe construirse de manera que ve ajuste alas ‘referencias y valores del vomador de decisiones. (El tomador de decisiones puede ser un solo Individuo o bien tn grupo de personas.) Laclave para considerar que la funcién de utitidad para el dinero se ajuste al tomador de decisiones es la siguiente propiedad fundamental de las funciones de utilidad. Propiedad fundamental: con ls suposiciones dela teorla de utildad, a focibn de weed rte dinera den tomador dc decisiones tiene l propiedad de que étee muestra indiferente fentre dos cursos de accin alternaivos silos dos tienen la misma ualitadeperada. Como ejemplo, suponga que el tomador de decisiones tiene la funcién de utilidad mos- trada en la figura 15.13. Suponga ademds que se ofrece a este cumiador de decisiones la si- guiente oportunidad. ‘Oferta: obtener $100 000 (utilidad = 4) con probabilidad po nada (utilidad =0) con probabilidad (1~ p). Entonces, E(utilidad) = 4p, para esta oferca Pur lo canto, para aida uno de los siguientes tres pares de alternativas, el tomador de decisio- nes es indiferente entre la primera y la segunda: 1. Laofertacon p=0.25 [E (utilidad) = 1} odefinitivamente obtener $10 000 (utilidad = 1) 2. Laoferracon p=0.5 [E(utilidad) =2} o definitivamente obtener $30 000 (utilidad = 2) 3. Laofertacon p=0.75 [E (utilidad = 3] odefinitivamente obtener $60 000 (uilidadl=3)15.5 Teoria de utilidad 773 Este cjemplo ilustra también la forma en que se puede construir la funcién de utilidad para el dinero del tomador de decisiones desde el principio. Se haria al tomador de decisiones | misma oferta hiporética de obtener una gran snma de dinero (por ejemplo, $100 000) con probabilidad pu obtener nada, Después, para cada una de las pequefias cantidades ($10 000, $30 000 y $60 000), se pedirfa al tomador de decisiones que eligicra un valor de p paral que se sintiera indiferente ante la oferta y la obtenci6n definitiva o segura de esa cantidad de dine- ty, Euouces, la utilidad de una cantidad pequena de dinero es p veces la de utilidad de la can- id grande. Lacseala de la fancién de utilidad (puesto que, utilidad = 1 para $10 000) es irrelevante Importa sélo en cuanto a los valores relativas de las utilidades pertinentes. Todas las utilidades se pueden multiplicar por cualquier constante positiva sin afectar el curso alternativo de ac- cidn que tendré la utilidad esperada més grande. Ahora se puede resumir el papel bisico de las funciones de utilidad en un andlisis de deci- siones. (Cuando se usa a funcién de wtilidad para el dinero del tomador de decisiones se usa para medir Recesién -10 10 Depresién 50 20 Las respectivas probabilidades de crecimiento, recesion y depresién para el primer afio son 0.7, 0.3 y 0.0. Si ocurre cl crecimiento en el primer afio, estas probabilidades si- ‘gun siendo las mismas para el segundo afo, sin embargo, si ocurre una recesiGn el primer afi, las probabilidades cambian a 0.2, 0.7 y 0.1, para el segundo aft. 4) Construya el 4rbol de decisién del problema a mano. 4) Analice el 4rbol para identificar Ia politica Sptima. ‘Ac) Use TreePlan para construir y resolver el 4rbol. 15.4-6, Ellunes, cierta accidn cerré a $10 por accién. El martes se espera que la accién cierre a $9, $10 u $11 por accién, con probabilidades respectivas de 0.3, 0.3 y 0.4. El midrcoles, se espera que la accién cierre 10% abajo, sin ‘cambio 0 10% arriba del cierre del martes, con las siguien- tes probabilidades: 10%6 abajo ‘Sin cambio El martes, recibe instrucciones de comprar 100 acciones antes del jueves. Todas las compras se hacen al final del dia, al precio de cierre conocido para ese dia, de manera {que sus tinicas opciones son comprar al final del martes © al final del miércoles. Usted quiere determinar la estrate- ‘gia Optima respecto a comprat el martes o aplazar la com- pra hasta el miércoles, dado el precio al cierre del martes, con el fin de minimizar el precio esperado de compra. 48) Desarrolle y evalie un érbol de decisién para determi- nar la estrategia dptima, Ab) Use TreePlan para construir y resolver el 4rbol. 15.4-7. Utilice el contexto del problema 15.3-7, a) Trace y etiquete el arbol de decisién. Incluya todos los pagos pera no las probabilidades 1b) Encuentre las probabilidades para las ramas que sa- Ten de los nadas de profal 6) Aplique el procedimiento de induecién hacia atrds € identifique la politica éptima que resulta,Problemas del capitulo 15 4.18.4-8. José Morales administra un puesta de fruta en tun barrio de San José, California. José compra cajas de fruta cada mafiana a un agricultoral sur de San José. Cerca dde 90% de las cajas resulta de buena calidad, pero el otro 10% no. Una caja buena contiene 80% de fruta excelente y dard José una ganancia de $200. Una caja mala contie- ne 30% de fruta excelente y produciré una pérdida de $1 000. Antes de que José decida aceptar la caja, tiene la ‘opcién de muestrear una pieza de fruta para probar sies 0 no excelente. Con base en esta muestra, tiene la opcién de rechazar la caja sin pagarla. José se pregunta 1) si debe se- ‘guir comprando a esta persona, 2) deser asf, sivale la pena muestrear s6lo una pieza y 3) silo hace, si debe aceptar © rechazar la caja con base en el resultado de la muestra. ‘Use TreePlan (y la plantilla de Excel para probabilida des aposterior’), construya y resuelva.el 4rbol de decisién. 15.4-9. Utilice elcontexto dado en el problema 15.3-9. 4) Trace y etiquete el Arbol de decisién. Incluya todos los Pagos pero no las probabilidades. ‘r6) Encuentre las probabilidades para las ramas que sa- len de los nodos de probabilidad. €) Aplique el procedimiento de induccién hacia atris © identifique la politica ptima que resulta. 15.4-10.* La compafia Morton Ward considera la i troduccién de un nuevo producto. Se piensa que tiene una idad de éxito de 0.5. Una opcién es probar el pro- ducto en un mercado de prueba a un costo de $5 millones, antes de tomar la decisién de introducirlo. La experiencia ‘muestra que los productos que en iltima instancia tienen éxito, se aprueban en el mercado de prueba el 80% de las veces, mientras que los que fracasan, el mercado de prue- ba los aprueba slo! 25% del tiempo. Si el producto tie ne Gxito, la ganancia ncta para la compaiifa serd de $40 mi llones; si fracasa, la pérdida neta serd de $15 millones. Tw) Descatte la upeidn de probar el producto en el mer cado y desarrolle una formulacién de anslisis de deci- siones para el problema identificando las acciones, los estados de la naturaleza y la matriz de pagos. Luego, aplique a regla de decisin de Bayes para determinar la alternativa de decisién éptima ‘T6) Encuentre el VEIP. ‘Ac) Incluya la opcién de probar el producto en el merca- do, use TreePlan (y la plantilla de Excel para probabili- dades a posteriori) para construir un érbol de decisién para este problema. Ad) Existe incertidumbre en las cifras de ganancias y pér- didas ($40 y $15 millones). Cualquiera podria variar hasta 25% en cualquier direccién. Use SensIt para ge- nerar una gréfica para cada una que muestre el pagoes- perado en este intervalo de variacién. 79 15.4-11. Utilice el contexto del problema 15.3-11. 1) Dibuje y ctiquete el drbol de decision. Incluya rodos los pagos pero no las probabilidades. ‘T6) Encuentre las probabilidades para las ramas que sa- len de los nodos de probabilidad. ¢) Aplique el procedimiento de induccién hacia atrés € ‘dentifique la politica 6ptima que resulta. 15.412. Useelcontexto dadoen et problema 15.3-12. 4a) Dibuje y etiquete el arbol de decision. Incluya todos Jos pagos pero no las probabilidades, 16) Encuentre las probabilidades para las ramas que sa- Jen de los nodos de probabilidad. - ©) Aplique el procedimiento de induccién hacia atrés € identifique la politica optima que resulta. 15.4-13, Use el contesto dado enc! problema 15.3-13. 2) Dibuje y etiquete el érbol de decision. Incluya todos los pagos pero no las probabilidades. 16) Encuentre las probabilidades para los nodos que sa- len de los nodos de probabilidad. ©) Aplique el procedimiento de induccién hacia atrés € identfique la politica 6ptima que resulta 15.414. Chelsea Bush es una candidata incipiente que ‘busca la nominacién de sw paride para la presidencia de Estados Unidos. Para la eleccidn primaria del Super Tues- day (S.T), ella ysus consejeros piensan que si entra puede salir ben (quedar en primer o segundo lugar) o salir mal (quedar tercero o més abajo) con probabilidades respecti- vas de 0.4 y 0.6. Sali bien en el Super Tuesday significa que recibird donativos cercanos a $16 millones de délares para la campafia, mientras que si sale mal tendrén una pér- dida de $10 millones de délares despues de pagar el tiem pode TV. De otra manera, puede elegir no entrar al Super ‘Tuesday y no incurrir en gastos. Los consejeros de Chelsea creen que sus posibilidades de éxito en el Super ‘Tuesday pueden atectarse por los re- sultados de la primaria (mds pequeria) de New Hampshi- re (N. H.) 3 semanas antes del Super Tuesday. Los analis- tas politicos piensan que los resultados de la primaria de 1N. H. son correctos dos tercios de las veces para predecir el resultado del Super Tuesday. Entre los consejeros hay un experto en andlisis de decisiones que utiliza esta infor- rmacidn para calcular las siguientes probabilidades: ‘P{Chelsea salga bien en S. T,, dado que sale bien en N. H.} = ‘P(Chelsea salga bien en 8. T,, dado que sale mal en N. H.} = a 7 Pel candidato salga bien en N. H.) = 7792 15 Andliss de decisiones Elcosto de entrar y hacer campaiia en a primaria de New ‘Hampshire se estima en $1.6 millones. Chelsea cree que su oportunidad de nominacién de- pende de tener muchos fondos disponibles después del Super Tuesday para realizar una campafa vigorosa de ahi en adelante. Entonces, quiere elegir la estrategia (si parti- 0 Pago Usilidad & seg +87 600 LL \__-ss90 “$1331 (0.40) sis $155 +8141 (0.50) 2. certidumbre respecto al valor de la probabilidad p; por lo ‘que debe realizar un andlisis de sensibilidad de p. La fun- ci6n de utilidad para el dinero (pago recibida) es = si Mz0 iM si M<0. 2) Para p~ 0.25, determine qué accién es optima en el sentido de maximizar la utilidad esperada del pago. 4) Determine el intervalo de valores de la probabilidad 2 (0S p< 0.5) para el que la misma accién permanece optima, uM) 18.6-1. Seleccione una de las aplicaciones de andlisis de decision enumeradas en la tabla 15.5, Lea el articulo que ladescribe en el nimero indicado de Interfaces. Escriba un resumen de dos pérrafos de la aplicacién y los beneficios «que proporcioné, 15.6-2. Seleccione tres aplicaciones de aniliss de deci- sin enumeradas en la tabla 15.5. Lea los articulos que las. describen en los mimeros indicados de Interfaces. Para cada uno escriba un resumen de una pagina de la aplica- ‘pacidad financiera se encuentra cerca del limite. Ui lanzaitienco malo para el Brainet le Soetaria Ja compatifacinucho dinero, algo que no estd disponible por aliora debido a las ; iVersiones que Cerebrosaft ha hecho: 62). San ge Después, esa tarde, Charlotte se retine con Reggie Ruffin, éapaz-en todas las reas y -Bereore de produccién. Reggie tiene una trayeetoria sida en su¥eampo y Charlotte quiere , 80. opinion del proyecto Brainet. ror st eke 6 Ruger Charlotte, co mucha franquela pienso que existe res Factores principales yfelevantes para el éxito de este proyecto: competencia: unidades vetididas,.ah, y por su- ‘pacsto, cl precio. ¢Ya decidiste cl precio?” si o r eg £2 “TodaVia estoy esmidiando cudl de tres estrategias serfa la de mayer heneficio para ho: Sotros, Vender en $50.00 y tratar de maximizar las ganancias,o vender en $30.00 y eratar dé maximizat el potcentaje de mercado: Es cierto que qiied latercera altemnativa; vender en $40.00 y-tratar de lograr las dos cosas.” Large En este punto Reggie pone atencién en la hoja de papel frente al, "Yo pienso que la altemativa de $40.00 ¢s la mcjor. Respécto alos costos, Verifiqué Jos regisctos: en princi- pio teneatos que amortizar los costo de desarrollo en qe incurtimos para Brainet. Hasta ahora se han gastado $800 000 j esperamos gastar $50 000 por ariaen apoyo y envio de Daquienies quieran su copia ademas de la que bajaron.” Despuics Regeie pasa ttn infor- mea Charlotte. “Aqui tenemosalgnhos datos de laindustria. Ayér recibf esto, directo de'la Prensa, Veamos lo que podemos averiguar de la industria.” Muestra a Charlotte algutios [untos importantes, Reggie accede a restimir ld informacién mas relevanite del informe y ‘enerlo listo la mafiana siguiente para Charlotte, Trabajé hasta muy tarde en la noche para reunir los datos de las paginas dél informe, pero al final ticne tres tablas; tina para cada‘al- rernativa de las estrategias de precios. Cada tabla mitestra a probabilicad carrespondiente Para varias cantidades de ventas dado el nivel dé competencia (alto, medio o bajo)ique de- »sarrollen las otra companias. 1a siguiente manana Charlotte bebe otras de sus bebidas energéticas, Jeannie y Reg- he Hegarin a su oficina en cualquier momento y, cou'su ayuda, tendrd que decidi qué ha- | Fer con Brainer, éDebe lanza el producto? $i ases, ¢qué precio debe tener?! tidades ven TABLA | Disttihicién'de probabilidad do uiCaco 15.1 Negocios intoligentes 797 "TABLA 2 Distribucién de probabilidad de unidades vendidas, dado.in =~ 5 precio medio ($40) f Pag, — Nivel de competencia Ventas 5 Alte: 1) Medio Baio. 50-000 unidades 0.25 of aaa 4 0.49 Pt 30 000 unidades 035 “ye 0.40 af O50" BF ee 20-000 unidades 0.40 0.30 at ioe —_— TABLA 3. Disttibucién de probabilidad de unidades vendidas, dado un precio bajo'($30), t EEE oes ‘Nivel de competenci Ventas =) Ao Medio Bajo. 50-000 tunidades: 035 040 e080) 30000 unidades | 0.40 Feb ou Das 20.000 unidades | Ais tude 005, Cuando Jeannie y Reggie entraron en ta aficina, Jeannie exclama: “amigos, acabo de hablar con nuestra éompafifa de estudio de meieatlo. Dicen que pueden Hacer el estudio sobre la situacidn de la compestncia para la inttodnecidn de Brainet y extregar los resulca- dos en una semana”, a ‘i eee ae “$Cuduty"quieren por el estudio? = * P é “Sabia que me pireguntarias cso, Reggie. Quieren $10 000 y pienso que es un precio justo.” aes Z é En este pufito Charlorte intervene en la conversacidin. “éTenemos/algunos datos acer- cade la calidad del trabajo de esta compania?® . ° # “Si, yo tengo unos informes aqui, Después de analizaclog, llegue a la conclusion de’, que la compaiia de estudios de mereado no cs muy buena phrapredecir cl entorao compe* , ttivo para precios medios o bajos. Porl6 tanto, no debemos peditles quelhagan cl estudio sinos decidimos por una de estas estrategias de precio. Pero en el caso de un precio.alto, lo | hacen bastante bien: dado que la competencia resulta ser alta, los han propotcionado el | Prondstico cotrecto 80% del tiempo, mientras que 15% del tiempo pronasticaron compe- | tencia media en esa situacién. Cuando Ja competencia resuilta'sermedia, han prondstica” ) do competencia alta 15% del tiempo y-media 80% del tiempo. Por ultiniu, para cl easi de | comperencia baja Jos niimeros fueron 903% de las veces tun prondstico cofrecto, 7% una, prediceiGu ‘inedia" y 3% una predicci6n ‘atta’” Z <) Charlotte eree que estos mimerd son demasiado paraclla. “Nocontamoscon unaesti- | macion sencilla de cémo feaccionat ef mercado?” >” : “¢Te reficres a probabilidades @ priori?” Seguro, par nuestea experiencia, la posibilidad. de enftentar una eompetencia alta ¢s 20%, mientras que es 70% parauna competericia me- dia y 10% para una baja”, Jeaihie siempre tiene las cifras listas cuando S neccsitan. Ahora sélo queda sentarse y darle algtin sentido a todo esto...” foo Teather ee freee 3: ioe798 15_ Analisis de decisiones & * Parael andlisis inicial ignore fa oportunidad de obrener mas infortaci6n con la contratacién Fy de la compasiia deestudios de mercado: Identifique las dcciones alrernativas los estados de la naturaleza. Constriya fa matriz de pagos. Desphiés formule'el problema:de decisia como un ‘irbol de'decisiones, Distinga con claridad entre los nods te decisién y Ibs de probabilidad inclu Jos datos relevamtes.. | A a git eee eng ee «s1siva slelapnituhfad dma! det etieroaelpago = Ahora considéréld porbilidad de realizarel estdiode meRado. Desarrolle al dr¥ol de decisis ~ correspondiente, Caletile las probabilidades rclevanites y analice el arbol de decisién,éDebe Ce- rebroxo pagar 10000 potniaveiigationdeenpeadod (eles a politcal gloat ¥ Cuil esiadedisign de Charlot St usa li regl de decision de Bayes? > tats CASO 15.2 APOYO INTELIGENTE AL CONDUCTOR . ona 8 ‘5 poem ra aR ina mafiana soleada de mayo, Marc Rintory diréctir bjécutivo de Bay"Area Atitomobile ‘Gadgets (BAAG), entra ala sala de conferentias ch cl piso 40 del edificio Gates en San rancisco, en las oficinas de BAAG. Los otros BAAG construye equipo electrdnico no de andio para autos de lujo, Fonuhida pur un grupo de graduados de Stanford, 1a compafia vendié su primer producto —un sistenia } en mostrar rutas basado ¢n Ja tecnologia globalide posicionamiento por satélite (GP$)— shace algiinos afios, Este sistemas de rutas ayuida'al condtictor a encontrar la direecién a0 destino deseado usando los satélites para determinarla posicién exacta del auromévil. Para -estar al dia con la tecnologia y cumplir las desens dees chi sla Cormpafia ha agregado =Narias caracterfsticas a su sistema de rutas en losiiiltimos'anios. Bl SSC serd una producto “uevo por completo, que incorpora los desartollos recientes Ue GPS y.tccnologias de vi “deo y réconocimientd de vor. Marc apoya este producto, pues dard a BAAG un avance “cumpetitivo Fespecto a sus homdlogos asidticos.y europeos.. pe © 3 Elsistema de soporte al conductor hasido un campo de inivestigacién intensa durante ‘ fniside una década. Este sistema proporciona ina amplia gama de informacidn, como di- “tecciones, condiciones de carreteras, trifica, ¢tcétrra) Este intercambio de informagin ‘puede realizarse verbalmente o mediantela proyeccidn te textos en el parabrisas. Orras ca- tacterfati¢as ayudan al conductor a evitar obstétulos idcntificados por ours aulus que vans “adelante (y. que transiiten informaci6n a vehiculos que los siguen). Marc desea incorpo- star todas estay taracceeiticas y otras tecnologias ef un sisteina de soporte que después se aderd alos clientes de BAAG en la industria automorriz,. © *Caso 15.2 Apoyo inteligante al canductor 799 ‘Una vez que todos en la-reunién estén seritados, ‘Brian. comicniza st! presentaciéa: “Marc me pitis que informara aperca'de nuestros esfuerzos con cl sistema de sopoine at conductor. En particular el examinador de caminds, Estamos en una ctapa ena que debe: ‘mos tomar decisiones de seguir 0 no con la investigacionde este dispositive que, comoto- dos saben, ¢s una caracterfstica Clave dels$SC. Yas integraron otros clementés, como el sistema de direccidn y posicionamiento. Laipregunita que debemos contestar esi invertir en lainvestigacién del elemento de examen de caminas. Siesta investigacién tuviera éxito ‘tendriamos que decidir si queremos desarrollar nih prodiieto basado en estos resultado, osi sdlo quetemas vender la vecnologia sin desarrollar el proyecto. Si decidimos desarrollar ef producto, existe la posibilidad de que el proceso no tenga éxito. En ese caso, todavia po: drfanios vender: la teenologia. En e} caso de un desarrolle exitoso, tendtiairios que decidir sivender el producto. Si decidimos io hacerlo, podriamos vender por lo menos el concep to que se obtuvo como resultado dea investigacidn y desdrrdllo exitosos, Hacerlo nosda-* ria_mds ganancias que slo vender Ja tecnologia. Por otra parte, si decidimos vender el sistema de soporte al conductor, entonces nos enfrentamos ala incertidumbre de cémo lo. ‘tecibiran los clientes”. - *Me perdi totalniente”, dice Marc.” Max, cl gsistente Ue Julie, sélo mueve la cabeza y murinura, “esos tecno-nerds. Brian comienza a explicar: “siento mucho Ja confusién, Vamos-a repasat, paso pot paso.” Papert ete a “Buena idea y, iquizé con pasas més cortas!™ Fs abvio que a Julie fo le gusta el estilo dela presentacion de Brian, site Pe ge os “Bueno, la primera decisién que debemos tomiar é5 si invertir cn Laitivestigacién para el elemento que examina los caminos.” > 5 pad oe eat, : “8Cudnto no costaria eso?” pregunta Mare. 9S 58 ap “Nuestro presupuesto estimado es de $300,000, Una vez invertido ese dinero; ¢l re- sultado de la investigacién es algo incierto. Nuestros ingenierosaseguran que la probabili-» dad de éxito es 80%.” : “Esa cs una tasa de €xito bastante optimista; éno. crees?”, dice Julie con sarcasmo. To davia recuerda el desastre del ditimo proyecto de Brian, cl sistema de seguridad Lasado en hhuellas digitales, Después de gastar medio milldn de délares, los ingenieros de desarrollo coieluycron que seria imposible producirlo aun precio atractivo. i Brian siente la hostilidad de Julie y responde: “en ingenieria estamos bastante acos” thimbrados a estas tasas de éito, algo que no podemos decir de ventas...” “.Cual serfa el-siguiente, paso?”, interviene Marc. 4 rr ee “Perdén, Si la investigaci6n no tiene éxito,entonces s6lo podemos vender €l SSC en’ su.forma actual,” : Biba ig . 3 “La gamaneia:estimada para ese escenario'¢s $2 millones”, dice Julie. - “Sin embargo, sila invéstigacion tiene éxito, chtonées tendremos que tomar otra deci- sidn, que es Si pasar ala étapa de desarrollo.” ioe : “Si no quisiéramos desarrollar un producto en'ese purito, ésignifica que tendriamos » que vender el SSC como esté ahora?”, pregunta Max) = 2 Si, Max. Excepto que ganarlamios $200 000 adicionales Gon la Venta de nuestra in vestigacién a General Motors. Si divisidn de investigacién estd muy interésada ch nuestro trabajo y ido dinero, por lo que enéontremos.”. =) oe ; 0 y hart offecide dinero por lo waaeebee 2 =15 _Anilisis de decisiones a ae “Ah, ésas son buenas noticias”, eliclama Julie, 4 Brian contintia, Spero si desptiés de vompletur la rapa de investigacién con éxito, de- cidimos desarrollar tin nuevo producto, entonces habremos gastaélo $800 000 en la tarea, con una posibilidad de 35% de no tener éxito”, a “Entonces, énos estis diciendo que habremos gastado $800,000 en un billere de: lates ‘fa qué tiene 85% de posibilidades de no salir premiado?”, pregunta Julie “Julie, Ino te quedes en las pérdlidas, ve el potencial de ganancias! 1a oportunidad de ganaresta loterfa, como la llamas, es 65%, Yo creo que é0 es mticho mas que conunbillete “de loteria normal? dieé Marc. eas Sai eee Se , 'G © “Gracias, Mare®, dice Brian: “Si se invierte ese dineto-en el desarrollo, tenemos dos re2 Itados posibles: tetidremids Gxito‘en el clemento que examinael camino ono lo tenemos. i fracasamos entonces, tna ver mds, el SSC se venderden su farmalacrial yobrendremos feo 000 de GM porlos resultados de la investigaci6n. Sil ptoceso dé desarrollo tiene ie in), entonees debemos decidir si yeniler el nuevo producto.™ ““iPor qué no qucrrfamos venderlo después de un desarrollo. con “Mare. > Yr a # * “Bsa es tina buena pregunta. En principio lo qué quicro decir és que podriamids deci: “ir no vender et producto nosotros mismos sin dare! derecho a venderlo a alguien més,a ‘GM, pot ejemplo. Bllos tios pagarian $1 millént por €7 >.> . t ~1 IM gustat esos niimeros!”, dice Julie. 6" 801 9 (a *Una vez que decidamos construir el producto yvenderlo, nos effigntarciugs' las in- {stertidumbres del mercado y estoy seguro que Julie tiene e508 ntimetos.listos, Gracias.” Eneste punto, BriattSe sientay Julie pasa para exponersu presentacion, De iamediato » aparccen diapositivas con muchos colores proyectadas efi la pared atrds dle ella mientras ‘Max opera la comiputadora. ©)" 0" ° pret: a LAY “Gracias, Brian. Bueno, aquféestén los datos que pudimo¥ retinir de una investigacion 1 de mercado. La acepticidn de nuestro nuevo producto puede ser alta, media o baja”, Julie Schala unas cifras proyectadaé en la:pared. “Nuestras estimaciones indlican qué la aceptar ion alta daria como resultado ganancias de $8.0 millones y la media de $4.0 millones. En. ‘eldesafornunado caso Ue tna aceptacién Baja por parte de nuestros clientes, todavia espe» Tamoy ganancias por $2.2 millones. Debo mencionar que estas ganancias io iticluyen los * 3 “Entonees, lo que dices es que en cl peor de los casos tendrerins ingresos por un poco, mas que con el producto actual”, pregunta Briati. Sf, és0 és lo que digo.” ae z °“2Qué presupuesto necesitarias para comercializar nuestro SSC con el examinador de saminos?”, preguita Marc. ot a © 2 $Pataesoneccsitariamos $200,000 adicionales ademids de lo que'se incluyd en las esti- ‘thacioites de las ganancias*, contesta Julie, 7 = ; __ SéOuzles son las probabilidades de tener inna acépracidn’alea, media o baja del nuevo, SSCP, pregunta Brian: Ae Pee - “Podemos ver esosntimeros en la parte inferior de la diapositiva®, dice Julie al emp “gue se voltea a la proyeccién, ‘Hay una oporrunidad de 30% de una alta aceptacidn det mercado ¥-20% de-que la accptacién sea baja. “ ito?”, regina” weCaso 15.2 _Apayn intoligante al conductor 901 Bn este momento, Mate se muteve'en su asfento y pregunta las parcinnes de informacin, équé sugieres que hagamos)” — dads esos nimerosy 7%) Organice los datos disponibles de-lus evtimticiones de costos ‘Y ganancias'enuna tabla." 4) Formule el problema como un érbol de decisiones, Distinga con claridad los nodos de: decision yy los alu de probabilidadl : So a ee €) — Calcule los pagos esperados pata cada ody en-ef érbol de decisiones: it 4),. Cadi es la politica optima para BAAG sega lnregla devdecision de Bayes? Mae Xe ,#) Quiles el valor espetado de la informacién perfeéta acerca delos resultados del esfuerdo dé ins” Westigacion? Wot: ee 2% fly “¢Gual serinel valor esperado de la informacion perfécta’sobre los resultados dél esfucrz0 de de. st{sarallot SP ok PAE +, ; ; * ) Mare es1un tomador de decisiones con avetsign al riesgo, En atias-entzevistas, ay fincidn de utilidad para’el dinero’ s¢.evalué como ae gee ‘donde fes [a ganancra neta de-fa compaiiiaén eientos de miles de Udlares (por ejemplo, M = 8 implica uina ganancia netade $800,000). Use la fincién de utilidad de Mare para calcularla uti: 1" lidad de cada rama terminat'de}drbol de detisiones." °°" +), “Determine las utilidades esperatlas paratodos los nodos de decision del sebol: i)” Segii la funcién de wuilidad de Marc, éctidl es la politica Sptima para BAAG? a) Segtin la faricién de utilidad de Marc, (cud seria el valoresperada de Ja informacidn perfecta sobre los resultados del esfuerzo de investigaciéu? 2 e 4b) _Segiin la funcién de utilidad de Marc, Zcufl ceria l valor eiperado dela informacién perfecta, ‘sobre los resultados del esfuerzo de desarrollo? 2 ¥ Jeeta