UN. IDAD_Né alas DIRECCION DE INVESTIGACIONES Y POSTGRADO \ MAESTRIA EN ADMINISTRACION DE NEGOCIOS CURSO: METODOS CUANTITATIVOS EN LA GESTION DE LA EMPRESA INVESTIGACION DE OPERACIONES CAPITULO io Eppen, G., Gould & Otros (2000). Investigacion dé Operaciones en Ia Ciencia Administrativa. Quinta Edicién. Pearson Educacién. México. Compilacién con Fines Académicos y se respetan los Derechos de autor.PERFIL DEL CAPITULO 1041 Introduccién 10.2 Tres clases de modelos de decision 103 Elvalar espera dea informacisn 10-9 Decision Analisis de decisiones 10.8 Arboles de decisién ino incoxporar nueva informacion secuenciales: probar 0 PROBLEMAS CASO PRACTICO: Johnson's Weta ‘CASO PRACTICO: Perorar 010 persar perfecta: El modelo del repartidor ‘no probar wumway, Horc ernie to10sapnutaciny eagle; CASOPRACIO: hy 104 Usildaesy decisiones bajo riesgo 40.5 Un resumen aa mitad del capiulo 10,6 Arboles de decision: venta de trace tores para jardin y uso doméstico 10.7 Analisis de sersibildad 10.12 Resumen ‘TERMINOS CLAVE COE Sued Ls meso ctvadeatetismo de a Universidad de Santa Clare tenia {que decidir si debiarecomendsr la puesta en pracica de un progre= na antidoping paca sus aletasintercoleglles. Se aplicaon tencas Ge enlsis de deisién al programa de prueba antidoping propuesto. ‘Se desarol6 un modelo de design simple que analiza la iterogante ‘desi sedee ono secitarla prueba de manera inviduabuscand a, presencia de drogas. La persona que esaralé el modo rele que aspecto ms im portant de ete problema eran ls consecuencas que pdiian provo- Carls erores en a pruaba, Oo elemento importante era evaiar a venta de poder identifica aun usuario de dogas, en compareién Camel costo dos eres acusacones fasas de uso de droga yl in Capac para identficar usuarios). lol de decsiones Bisco te- nedosalternativas principals: "proba" "no pobar*-Silaprueba 00 Se lve a cabo, entonces el resuitado de esa decisin es una lotea {evento aleatoro) eno que se refer ast el ndviduo uiiza-one co 10.11 ota sobre a aplcacién Herter Cenc APENDICE 101 Probbilldad condiconaly teorama de Bayes REFERENCIAS EJERCICIOS DE REPASO de tomar a decslén debe decidir entre acuar*o “no acta. Enge etl sda por sented que quien toma la decison actus en cso debtenerseuna prueba con esutado"+".Lasconsecuenciasdeac tuarson una lotria sbre el verdadero estado del uso de dogs per parte dal individu, La probabildad de que un ici sea un se rine dragas cenicionadaa un resultado "+" se conoce cua po: babildad a posteron,y se determina por medi del tecrena de Bayes yes dtnta de 1.0, Rsulaimeresante sabes que, sla prueba escor fable en 95% yaproximadamente 5% dela poblaclon de estar Sn usuarios de droga, shay 50% depichsbilidades de que phe prediga corectamentes el indvduo que rest positives rel te un usuario (es deci, no resulta ni mds menos confale que ar una moneda al al! ‘Acontinuacén, se debe determina el costo de cada estat posbled In dentficacén exact de un usuario de dagasle fue asignadowncas tode0,Al hecho de acusarfalsamente aun "o.usuaio seas ir rotates ever se detrinrcorbaseer efrac—uircostode-€;-athechode-no-hacerlgecon-ur-usatio-de chaps ‘én de a poblacion de estudantes que utliza droga. Sie inviduo nowtliea dagas, no hay costo pero ils uliza existe un costo por te et un usuario no identifica Sise elige la alternativa de “probar, la prueba sera efecuaday los resultados eran dererminados por el aboratori apropiad. Lose sultads pian ser* ++" 0"~", Si el resultado es “+”, el encergaco Sn aaa se edo un costo de Gy fnalmente, ala cuestion de iva lap ‘fa de un no usual, forzndolo a sometese ala prueba de dogs i asignd un costo de Cy, Con base en estos cosos se desaroarn is condiciones bajo las cuales costo espera de acer ia posta iis bajo cue el de no hacela (sea, que hata fuera una dei tacional La condciin prinega elacionabs la probable apse.‘analizada anteirmente con una relacén des tes casos Sisece- _evluacion dels parmetos del modo de dest (por ey t era gue a relacén de os costs de los ors fuera de un décimo,en- _probablidades y lo costs). La dreccn coneluy quel incdenct tonce a probabilidad a pst eda qu ser superior a 90% 1 uso de droga en el campus er tan reducda y costo de una false En tima junta dela mesa directive, donde se dscutidyse har acusacién tan elevado quela prueba de drogas no erala decision corec- 16 sob el tema, el decor de atti repasé el memorandum que ta. Prlo tanto votaron de manera undnim po no reomendar la pes [eaten ef ands de decsBn. La disasion principal se cents en a AR Bao ogra nop (vase Flaten LEP nraopucciow Elaniisis de decisgn proporciona un marco para anliar una gran varedad de modelos de ad- rinlstacin, Este marco esablce (1m sist pare clase ls modelos de decision, bast- doen a cantdad de informacion disponible sobre el modelo, y (2) un eiterio de decisions esto esta medida def “bond” de a deisgn ara. cada ipo de modelo Ena primers parte de este capfulo presenaremos In estructra de la teria de devisiones “1 yterelucionaremos eon models peviamenteanalizads. La segunda mia del eaptlo ext Usicad los toes de Gecsin. Lae bots de decisignaplica concepos de toa de dei Stones a deisione eecvenciles que incluyen eventos inciertos. Son tna ayuda progmica brdtca para a toma de decisiones administrative En eminosgevetles, a tecrfa de decsones se ocupa de decisiones conta ls natualeza. tata fms se efiefe ana situcién donde el resultado (rendniento de na dcisin individu Aepende de a ael6n de ex agente (atraleza, sree cual no se ene con. Pr eempl, Sie desitn consist en llevar oo paaguas, el rendimient (mojarse ono) dependerd del es tno ubsigusnte des naturuieza, Bs importante observar queen exte modelo los rendimientos asian ucamente al que toma la decision, Ala naturaleza ole importa eal es el resultado Ena condelgnesinge la ear dedeisiones de a eorla de os juegos. Ela ort de sj fotaivosjogedores tienen un infers econGnico en el eslado. Er los modelos del ora. decision, le peza fundamental de nfomoacén esa tabla de retrbuciones, como se serves I abla 10.1. Les delsones lematvas edn enumeradas en } {blag den tabla os posible estados e la naturalea estén ndicados en Ie pre superio: Las | trad del cuerpo dele ble son ls retibucioves para oda la combiaaiones posible de d- Shlones yesiados de i natreza, El proceso de deisignes como sigue ody Se 1. Usted, quien toma la decisin, selecciona una de las decisiones alternativas dj, ponga que elige di 2. Una vez tomada su decision, ocurre un estado de la naturaleza que queda fuera de su con- \ trol Suponga que ocurre el estado 2. ._Elrendimiiento que usted reciba puede ser determinado shore a patir de Ia tabla de retribu~ ~*~ Gomes. Dado que tated Tome Ta decision @ OURS el este Ue lr naturalez 25 eb est} 4 tado 65 Ma. | —__ owe vez, Ia decisign se toms primero, ya continuacién ocurre una de Jos estados de Ya na turaleza. Una vez tomada la cecisién, no puede cambiarse después de ocurido el estado de la Rn eae toa DECISION 7 z u 4 nu re Pn i rm m Jame: a3a Parte aturaleza. En general Ia pregunta es, gcusl de las deisiones debemos seleccionar? Nos gus- ‘Modelos probabilsticos tavfa un rendimiento tan grande como sea posible: esto es, el valor de 7, més grande posible, onde i representa la decisién tomada y jel estado de la'naturaleza ocurrido, Es obvio que lt Uecisidn que debemos seleccioner dependerd de lo que creamos que la naturaleza has, eto es, tend de los estados de ln naturaleza ocurrird. Si creemos que el estado | ocurviré, seleccionare- J ‘mos la decisién asociada con el mayor valor en la columina 1. Si creemios que es més probable i que Baur et esUader2, escoperemos Irdecisi6n-a-hrquecorrespondela-etribueién-mésalizen— J. Ta columna 2, y asf sucesivamente, ‘En la seeciGn siguiente consideraremos varias suposiciones sobre el comportamiento hi ‘mano. Cada suposicién lleva a un crterio diferente para seleccionar Ia “mejor” decisin, y por To tanto también nos lleva a un procedimiento diferente QOD” hes Chasis DE MODELOS DE DECISION sta secei6n se ccupa de ies clases dle modelos de decisidn contra la naturaleza. Cada clase es: { ti definida por una suposicién acerca del comportamienta de Ta naturaleza. Las tres cases son: ‘ecisiones bajo certidumbre, decisioues bajo viesgo y decisiones bajo incertidumbre. De las tres, Jo mas probable es que nos encontremos ante decisiones bajo riesgo, pero las otras dos Son presentadas para dar una idea ms completa DECISIONES BAJO CERTIDUIMBRE ‘Una deeisin bajo certidumbre es aquella en Ia que usted sabe cusl es el estado de ta nature ‘ leza que va u ocirtr. De maneia alternativa, usted puede pensar en ella como un caso con on solo estado de la naturaleza. Suponge, por ejemplo, que por la maiana usted est tratando de ‘decidir si debe llevar su paraguas al abajo, y usted estd seguro de que estar iloviendo para ‘cuando salga de trabajar por la tarde. En la tala de reteibuciones para este modelo (table 10.2) ‘l costo de limpiar su traje silo sorprende 1a Muvia es de $7. Entra en Ia tabla con un signo de rmenos, ya que es una tabla de rendimientos, y un costoes un rendimiento negative. Obviamen- fe, la decisin éptima es evar el paraguas “Todos los modelos de programacién lineal, los modelos de programacién con enteros, los rrodelos de programaeisn no Fineal y o:ras modelos determin‘sticos como el modelo CEP (car \ tidad econémica del pedido), pueden considerarse como decisiones contra la naturaleza debido aque sélo hay an estado de la nauralezs. Esto es asf dado que estamos Seguros (dentro de! con- texto del modelo) del rendimiento que obtendremas para cada decision que tomemos. Para un ~~ ejemplo concreto, eonsidere el modelo PROTRAC Ey F del capitulo 3: ‘Max S0Q0E + 40007 sa, 10E + 15F 5150 q 208 + 10F $160 - 30E + 10F = 135 E-3F=0 E+PES EF=O. LLatabla 10.3 presenta este modelo en forma de tabla de retribuciones. En est tabla se asigna un valor de ea cualquier decisién no factible, Por ejemplo, dado que E = 0, F = 0 infringe a terceray la guintarestriceiones, el rendimiento asociado se define como ~=. Para cualquie pat (EF) facile, el rendimiento se define como el valor dela funcién objetivo; es decir, S008 + 4AQQ0P, En el caso de este modelo conocemes exactamente el resultado que obtenemos pare ch dla decisin (cada seleecién.para el par-E,-F)-Por io tanto, podemas.enuimerar 1000s los rend 9 “Llevar paraguas| Nollevato‘Analisis de decsiones DECISION Exo, ERSPed 41,000, 44,000 rientos en una columna y consideraria como Ia representacién de un estado de la naturaleza del cual estamos seguros que ocurir ‘Te6rivamente, es fécil resolver un modelo con un solo estado de Ja naturaleza. Simplemen- {c se seleeciona la decisis con el rendimiento mis alto, En Ia préctica, de manera coniraria & “Ia teorfa” encontrar exe decisisn es ota historia. Dado que & y F pueden asumir in skimero in- Sinito de valores, habra un nimero infnito de filas para este made (véase la tabla 10:3). Incl s0 en este modelo simple, no es posible enumerar as lternativas y seleceionar la mejor. Se ne~ cesita un andlisis matematico adicioual (en este caso, el algoritma Solver de Excel) para encontrar la decisién dptima, DECISIONIES BAJO RIESGO. Una falta de certidtambre respecto a Jos eventos futuras es una caracterfstica de muchos, sino es que de Ia mayorta, de tos modelos de decisiones aclministativas, Considere e6mo cambiarfan las decisiones de la vicepresidenta inanciera de una compaiita de seguros, si piliera saber exac- lumente-qué cambios habri en el mercado de bonos. Imagine el alivio del comprador principal de Maxwell House si pusdiera saber con exactitud qué tan grande serd In cosecha de café del aio siguiente Por lo tanto, parece claro que muinerosos modelos de decisién estén caraterizados por una falta de certdumbre. También es claro que aquellos que manejan de manereeficiente estos mo- dels, ya sea por habilidad o por suerte, a menudo son generasamente recompensados por sus Togi0s. Ea e mento, José es ascendido de esclavo aasistente del f ‘96n de Bgipto por pronosticaracertadamente siete aos de abundancia y siete aflos de escasez, nel uso de modelos cunnttaivos, a falta de certidumbre se puede manejar de varias mane- ‘2s: Por ejemplo, en un modelo de programacin lineal, una pate de los datos puede consist en ‘im estimncién del valor futuro. Exel modelo PROTRAC E y Fates citado, lacapacad del mes eatrante(disponibilidad de hres) en e depurtamento A (el lado derecho de Ia primera restriei6n) _ “puede dope OE Tctres ge Surin li sta slguent, por hx planes de palucion [| sigamos, tienen que ser definidos hoy. Como se dijo anteriormente en el capitulo 5 (andisis de sensibilidad de programacisn tinea), ls administracién puede manejar esta falta de cetidumbre estimando In capacidad en {50 horas y después levando a cabo el andlisis de sensbilidad Definicion se riesgo La teorfa de decsiones proporciona procedimientos altemativos para mo- delos que tienen menos de una total certcumbre, Uno de esas procedimientos se lama decisiones bajo riesgo, En este contexto, el témino riesgo tiene un significado bien definido y restrictivo. Cuando halblamos de decisiones bajo siesgo, nos referimos a una clase de modelos de decisis |__po a cual hay ms de un estno de ia naluraleze y para la cual suponemos que quien some fa — idn puede llegar-a-una-estimacidrdde-probab levered diversos estados de ta naturaleza. Suponga, por ejemplo, que hay m > Lestados de la naturale- 2, y p ser In probabilidad estimada de que ocurtié el estado j. Generalmente estimaremos la probabilidad de que ocurra el esto jp) utilizando frecuencias histérieas, (o cua significa que investigaremos a lo largo de la historia y registraremos el porcentaje de tiempo que ese estado j "Alemis de wn proosticador acento, en virad de so hbildd par interpreta extosent os ses del i= ‘i, a José se leh lade et prize sioanaita. Auge, ex mesos sbido el hecho de que Jot foe también lorie lence de in administacién Anieipindose a ln escaser, aonse a aan const alnacees pare ‘war gran, Cusco todo habia einadoy se haba pero ness, el pregunta Jos ed bla He dq ama said y concent. Su contests Ge: "Progranaen en los ates.ae ate 3 ‘Modelos probabilsticos realmente ocurrié en tods nuestras observaciones. Por ejemplo, si en los itimos 1,000 dfas ‘ontramos que llovi6 en 200, estimaremos la probabilidad futur de Havin en un dia dado como (0.20 (+ 201,000). Cuando estos datos histvicos no estin disponibles o el administrador siente {que no son relevantes para el futuro, el administrador debe hacer estimaciones subjtivas de estas Srobabilidades, Este siimo procedimiento ser expuesto ex la secci6n 10.10 las probabilidades de que los velores ocurran. Dado que alos diferentes rendimientos se asocian tistntos estados de la naturaleza, el rendimiiento esperado asociado con la decisiGn ies la summa, ten todos 168 estados j posibles, de términas de la forma: (rendimiento en el estado j cuando la Gecisin es 1) multiplicado por (Ia probabilidad de ocurrencia del estado j), 0 ry pp. Entonces jpodomos utilizar la siguiente ecuacién para calcular ER, el rendimiento esperade si selecciona- ros la decision 1 5 ry By Para este tipo de modelo, la administracién debe entonces tomar aguelta decision que maximi- ce el rendimiento esperado.? En otra palabras, 7 es la decisién éptima cuando ER,» = méximo de ER, para todo valor de i ER, Py tiara toot Tad cio. El modelo del repartidor de periédicos Un ejemplo de este tipo de modelo es el siguiente rodeo del repartidor de periédicos. (Se tratan modelos similares ene] capftulo 11), Un repat~ tidor de periddicos puede comprar el Wall Sreer Journal a 40 centavos eada uno y venderio a ‘55 centavos, Sin embargo, debe adquirir ls periddicos antes de saber cusntos puede vender real- mente, Si compra mas periédicas de los que puede vender, simplemente desechard el exceden- te, sin costo adicional. Si no compra suficientes periddicos, pierde ventas potenciales ahora y posiblemente en el futuro (los clientes disgustados podrian ya no comprarle). Suponge, por el Fromento, que esta pérdida de ventas finuras es representada por un costo de pérdida del buen hombre estimado en 50 centavos por cliente insatisfecho. Con propdsitosilustrativos y para far Citar el eéleulo, también suponga que la distribucidn de la demanda que enfrenta es 9 uv P, = Prob{demand: _P, = Probldemand P= Prob{demanda 3) Bn este modelo, cada uno de los cuatro diferentes valores de Ia demanda es un estado de la na- tureleza diferente y el némero de periédicos ordenados es la decisidn. Los rendimientos, 0 e- lsibuciones, para este modelo-se muestran en le tabla 10.4 ‘Las entradas de esta taba representan el flujo de efectivo neto asociado con cada combsing- “Gh de Cantidad ordenada y eantidad Solcitada, menos eYcosto-por le pérdide de Iw buena repu- fcién comercial (PBRC) —o también llamada “del buen nombre’— evando la cantidad ord nada noes suiciente para satisfacer la demanda, Estas entradas se calculan mediante la expresi6n reiribucién = 75 (ndimero de petiddios vendidos) ~ 40 (riimero de periddicos ordenaos) = 50 (demande no satistecha) { i] Recuerde que el valor esperado de cualquier variable aleatoria es el promedio ponderado “a todos los valores posibles de la variable aleaiori, donde Tos coeficientes de ponderacion son——- sto es eqivlente a otro erteio: mlaimizacién del arrepentimiento esperado. ETT | -DEEISION 0. 4 — T 0 Oo 50 100 i me aan ZA | RE a | | |donde el precio de venta por periédico es de 75 centavos, el costo de comprar un petiédico es Zapata 10 a7 de 40 centavos y el costo por desilusionar a un cliente (ei costo PBRC) es de 50 centavos. ES rate de decisiones importante observar que en este modelo, la ventas y la demanda no tienen que ser idénticas. De hhecho, las ventas son el minimo de las dos cantidades (cantidad ordenada, cantidad demanda- a). Por ejemplo, cuando no se ordenan o piclen periddicos, claramente se ve que no se podré vender nigumno, wo importa To grande que sea Ta demianda, y Ta denvanda insatislecha sera igual 4 Ta demanda requerida. Por lo tanto, para todas las entradas de fa primera fle, la expresiGn arriba citada para ia retribuci6n de 75(0) ~ 40(0 ~ $0(demanda) = ~ 5O(demanda). Si se or- dena I periédico y no hay ninguna demanda, no se vende ninguno, la demanda insatistech es igual a0 y la retibucién es de 75(0) ~ 40(1) ~ 30(0) = ~40, que es la primera entrada de la fila 2. Sin embargo, si se orden | perisdico y hay demanda de 1 o més, entonces se venders cexactamente 1; la demanda insatisfecha serd i menor ala demanda y la reribueign se convier- teen 75(1) ~ 40(1) ~ S0(demanda ~ 1) = 85 ~ 50{demanda). ", 6. Finalmente, indicamos que queremos la gréfica con actual (que es la opcién predeterminada) y hacemos clic en "Terminae Aparece desplegada una grfica parecide a le que se muestra en la figura 10,5, (Hemos objeto en nuestra hoja de trabajo alterado las leyendas de las cuatro series de un “Series 1, Series 2, Sevies 3, Series 4” ge- nérieo a “Ordenar 0, avanzadas de Excel.) Ordener 2, Ordenar 3” utilizando algunas de las racteristioasObserve que conforme aumenta el costo PBRC los rendimientos esperados se reducen (cuando se piden 0, 0 2 periédicos)o bien permanecen constantes (cuendo se piden 3 periédi 08). Para los costos PBRC inferiotes @ 125 centavos, la decisién éptima es pedit 2 periedicos, Para un costo PBRC de 125 centavos, existen dos decisiones alternativas éptimas: pedi 2 03 perisdicos. Para un costo PBRC mayor que 125 centavos la decisién éptima es pedit 3 peri -cos- Por lo-tanto; noes necesariy conbuer el costo PBRC de Maier precisa, S610 eS HecesaETS saber sies mayor o mentor que 125 centavos, Estos resultados nos recvercan al anlisis de sen sibilidad de un coeficiente de costo en un modelo de programacién lineal donde In soluciSn 6p- tima no se altera por cambios de valores del coeficiente dentro de un rango determinado. Con este ejemplo hemos ilustado la clase ms importante de modelos de decisién (decisiones bajo riesgo) y el cxiterio de decision asociado (mioximizar el rendimniento esperado) DECISIONES BAJO INCERTIDUMBRE (OPCIONAL) En las decisiones bajo lumbre otra ver tenemos més de vn estado posible de la nature- Jez, pero ahora quien toma la decisin no quiere ono puede especificer las probabilidades de que los diferentes estados de la naturaleza ocurran, Hay una diseusign eterna acerea de si una situa cin de este ipo deberta exist; esto es, ;quien toma In decisin debesia estar siempre dispuesto ‘especifienr las probabilidades, aunque sea de manera subjetiva, incluso cuando él o ella no ten- ‘ga mucha idea ( ninguna) de cual estado de la naturaleza puede ocurtir? A pesar de que es ditt. cil imaginar una decisiGn de negocios real hecha bajo semejante nube, dejaremos esta discusién ‘110s filbsofos y nos centrazemos en los diferentes procedimentos recomenclados para esta clase de modelos pata aquellos que estén interesados. Observe que hemos indicado que esta secci6n es opcional para quienes consideren “decisiones bajo riesgo” como el tema ms importante. Para esos lectores, por favor pasen a ln seceién 10.3. Criterio de Laplace Bl procedimiento del crterio de Laplace interpreta el estado de “incert- dumbre" como equivalente a suponer que todos los estados de la naturaleza son igualmente probables. Este punto de vista podria resumirse como: “si nada sé, entonces todo es igualmen- te posible”. Por ejemplo, en el modelo del repartidor de periddicos, suponer que todos los es- tados son igualmente probables significa que, dado que hay cuatro estados, cade estado ocurre con una probabilidad de 0.25. Utilzar estas probabilidades eambia el modelo a una decisién bajo riesgo, y uno entonces puede calcular el rendimiento esperado. Usted puede verifier con facilidad que, utlizando estas probabilidades, el rendimiento esperado serfa maximizado de nuevo por la decisiGn de pedir dos perisdicos. Cuando se uliliza el crterio de Laplace, dado {que cada estado tiene igual nimero de probabilidades, odo lo que usted necesita hacer para en contrar le mejor decisién es afladir todas las reribuciones para cada decisin y elegt la deci sidn con Ia suima mds elevada (que también tendrd la mayor retibucién promedio) A pesar de que en algunas situaciones este procedimiento de "igualniente probable” puede producir resultados aceptables,-en otros escenarios serfainapropiado, Por ejemplo, considere a su amigo de Turkmenistan, a punto de ver el juego de futbol americano entee las wniversidades estatales-de- Ohio-y de Michiganyetrunraforemel cual uno'de los equips es4 pasatido BOT Wr ‘mala racha y por consiguiente el oto esté enormemente favorecido en las apuestas. A pesar de que su amigo no sabe nada sobre futbol y no tiene ningtin conocimiento de las probbilidades de cada equipo para ganar, stas por supiesto existen y no son iguales. Bn oteas palabras, a pe- sar de que uno “no tenga conocimiento” puede que haya probabilidades subyacentes en os ci ferentes estados de la naturaleza, y estas probabilidades puede que no concuerden de ninguna ‘manera con la suposicidn de “igual posibilidad’”. Con este descubrimiento, puede que haya con- {extos en los cuales usted podiia no querer utilizar el cxiterio de rendimento esperedo basado en ia suposici6n de igual probabilidad (es decir, el criterio de Laplace). Para estos cess, existen tres diferenescriterios que pueden utilizase para tomar decisiones bajorincentiduinbue mauxioun, maxinane ¥ minimax arrepentinient. Todos estos erterios pieden Uillzarse sin especificar probabilidades. El andlisis ser ilustrado con el modelo del repatidor de periédicos. Observe por un momento la tabla de retribuciones mencionada antes y piense qué cri ‘erio podria uilzar para tomar una decisién. Con esto queremos decir que pense en una regle que pudiera describirle a un amigo. Tiene que ser una regla general, de forma que su amigo pueda spl carla a cualquier tabla de resibuciones y obtener una decisi6n, Recuerde, usted estéaceptando no hacer suposiciones sobre las probabilidades de los estados dela naturaleza. Alora consideve los s- ‘uientes criterios Criterio maximin EI criterio maximin es un procedimiento extremadamente conservador, 4uizés pesimista para tomar decisiones, Evalda cada decisién segin la peor eixeunstancia que Capituio 70 ‘Anilisis de decsiones iAnan 452 Parte 3 ‘Modelos probabilisticos DECISION RENDIMIENTO MiNIIAO 0 =150 2 -30 3 120 : ecision [4 zi 3 5 é 78 2 1 2 101m] 2 fe Betassoie 3 3 Buy Dadian pudiera pasa si se tomara esa decisidn. En este caso, entonces, evaia cada decision segin el. rendimiento mimo posible asociedo con la decision. Enel ejemplo del repatidor de perdi cos, e rendimiento minimo posible si se ordenan 3 peri6dicos es de ~120; por lo tanto, este va- lores asignado a Ia decisiGn de “ordenar 3 periédicos”. De manera similar, cada una de las oes decisiones poderios asociarla con el valor minimo en su file, Seguir est regla le permite aquien toma la decisin preparar una tabla como Ia 10.5. La decisién que proporciona el valor méximo de los rendimientos minimos (por lo tanto, maximin) es entonces seleccionada, En este caso, spartdor de petiddicos deberé pedir I peti. “Maximin es ublizado a mendo en situaciones donde le persona que planes siente que 00 puede permitsse un error. (La planeacién de le defense nacional puede ser tn ejemplo, asf co- mo [a inversin de los ahorvos de toda la vid.) Quien planeaelige una decisi6n que hace lo me- jor posible en el peor (0 mis pesimist)easo posible ~ coe Sinembargo, es ficil crear ejemplos en los cuales la mayor parte de la gente no aceptaie — ~~ ecisinseleccionada con el criteria oenfoque mEXimin. Consider, porejempto; lr tablede~ relsibuciones 10.6. La mayorfa de la gente prferiia la decisiGn 1. Es mucho mejor que la de- cisién 2 para todos los estndos de la naturalezs excepto para el estado 3, y aif s6lo es ligee- ‘mente peor. Aun asf el criterio maximin seleccionaria la decisién 2. Si usted-se cuenta entre aquellos que definitivamente prefieren ls decision 1 de este ejemplo, debe bacerse a s{ mismo Ja siguiente pregunta: “Si el crterio maximin da una respuesta que no me place en este simple ejemplo, jestars dispuesto a utiizario en modelos més complicados e importantes?” No hay respuesta correcta a esta pregunta, La respuesta depende del gusto de quien toma la decisién, pero asf usted empezard a comprender por qué no subrayamos las reglas de decision de esta seecién tan enfaticamente como la regla de maximizar el valor esperado de la secci6n "Dect jones bujo.riesgo”. Criterio maximax El criterio maximax es tan optimista como pesimista es el maximin, [Evaltia cada decisiGn segia lo mejor que pudiera pasar si sta se tomara. En este caso, enton- ces, evaliia cada decisién por el rendimiento maximo posible asociado con esa decisién, Ea particular, remftase de nuevo aia tabla de retribuciones del modelo del repartidor de periédicos (abla 10:4), Si el repartidor de periédicos ordenase 2 periédicos, el mejor resultaco posible serfa un rendimiento de 70. Este valores por lo tanto asignado a la decisisn “ordenat 2 peri6 dicos". En otras palabras, para cada decisién identificamos e] valor méximo de esa fila. Ui- Tizando esta regla, el administrador prepara una tabla como la 10.7.Le DECISION ENDINIENTO MAXIMO ° Smee - 0 105 ESTADO DELA NATURALEZA er z i 4 5 é 7 Te [Miner ico aioe ee al bet fies 3 lol 3 es La decisién que proporcione el méximo de esios rendimientos méximos (es decit, maxi ‘max) es entonces seleccionads. En este caso, por lo tanto, el repartidor de periédicas debera pedir 3 periddicos. Una advertencia: no confunda Ia decisién con el estado de la naturaleza que produce le retribucion méxima. Le decisidn dptima bajo el erterio maximax es “ordenar 3 pe- ri6dioos”, no “ordenar 3 periddicas y tener 3 clientes Bl eriterio maximax es objeto del mismo tipo de critica quel maximin; esto es, s cil erear ejemplos donde la uilizaci6n del criesio maximax Meva a una decisién que la mayor pare de la gente encuentra inaceptable. Considere Ia tabla de retibuciones 10.8, por ejemplo. La mayorfa de la gente prefiere la decision 1, dado que es mucho mejor que la decisién 2 para cada estado de Ja naturaleza, excepto en el estado 3, y ahf es slo ligeramente peor. El eriterio maximsx, sin em= Dargo, selecciona la decisién 2 Arrepentimiento y arrepentimiento minimax EI arrepentimiento introdace un auevo ‘oncepto para medir el caricter deseable de un resultado; eso es, es una nueva forma de crear la tabla de retibuciones. Algunos gerentes de personal creen que los graduados viiversitatios Lienden-a-escoger entre varis.opciones-para sv-primer empleo uiilizando el-crterio-de-arre~ Pentimiento minimax. Se imaginan a s{ mismos en los diferentes puestos y deciden en cudl se sentirfan menos arrepentidos de esta Hasta ahora, todos los criterios de decisin han sido uilizados en una tabla de yetribuciones comic tendimientos en délares, medidos por fujos netos de efectivo.En particule, cada entrada de Iatable 104 muestra el flujo neto de efectivo del repartidor de perisicos para cada combinacién, de decisis (cantidad de periédicos ordenada) y estado de la naturaleza (cantdad de la deman- a de perisdicos) La tabia 10.9 muestra el arrepentimiento para cada combinaci6n de decisién yestado de la naturaleza, Esta se obtiene a su vez de le tabla 10.4 dela siguiente manera jo Estado de la naturaleze "2", Se calcula la nueva entrada sustrayendo Ia entrada actual del mximo en su columna. Por To tanto, le nueva entrada en Ia segunda fila e la tercera colurna, 70 ~ (15) = 85 (nueva entrada de la segunda fila, tercera columna) Ba cada columns, estes nuevas entradas, Ilamadas de arrepentimiento,indican qué es to mejor {que podemos hacer. En otras palabras, “arrepentimiento” es sin6nimo del “costo de oportuni- dad” de no tomar la mejor decisin en un estado de Ia naturaleza en particular. Es obvio que la administradora desearfa omar una decisiGn que minimizara el arrepentimiento, pero (lo mismosa Pare 0 85 170 “255 ~ 7 ~ 40 0 - ® = 170 7 MAXIMO ARREPENTIAAIENTO 255 1 170 85 {de siempre) no sabe cul de los estados de la naturaleza acurrird. Si ella supiera cual es la dis- ttibucién de probabilidades del estado de 1a naturaleza, podria minimizat el arrepentimiento esperado. (En la siguiente seccién, veremos que esto es equivalente a maximizar el flujo ne- to de efectivo esperado,) Si ella no conoce Ins probailidades, la sugerencia tipiea es utilizar RE(n0 juga), debemos juga si apicamos el cxterio de maximizarel fu joe efectivo eto expert Ahora petites ed decid jugar est juegoRsverde qu existe una proba —de.0.99.de que usted perderé $10,000. Mucha- “gente simplemente enciet seplable este. ado “iesgo cia abajo, estos, no esti dispuestos a separa decisis becca feo de maxinizarl jo de etctvo ato epeada Por lott, uma Ver mis veo eo assy se que es neces tener cad al selecionre creo deat ne conte iy se uaa cn compiicdos modelos dela vie eal Oto ejemplo de la ude ea ear ne yrta de in gente no sigue el ceo de maimizacdn del Tuo de ceive ctw wae fay. deci compra ono un seguro parr ntomevik-Sopaga qe Wee de un automévil deporivo nuevo y puede decid sicompra no insseus conch ne : so Iecuest una prima snl con tn detesninado deduce Bistnsens weeded en gate comprare! segiroo cme el esgo (de ener ina colsin) sinentarasenrode Loney i de a gente escoge comprar el seguro, aunque uo puede estar segivo de pc Ie ooo | pague a a compa de segurs es mayor eel cost esperado elo aos aoa do isin (es dees, a compat de segurs obtene una gana ‘Aforunadamente noes neesaiorechazar el concep de meximizacién de los rend Inentos esperados, Pin ada el etero del senimient eepeada' decuonee be fees de ipo genera, abo es necesroreeonocer qu ls rendimens netos en dliees nee isan coronene el Sunpecto arnt de ies restos peal i mist ee STO gic, pregntese sesaradspuesioa ganas oreo lon vos dependieno de! linzamiento de un monods,(La mayors dein pee aid eae le paeceia gaat opener $10,000 depeniendo del mismo lanza de none oe cato, la mayoria de fa gente dra que no) {Cua ela dria? La panna dey parece compensa na pedi de 10 cenavo. Porque une gantncae $IOD0) no ces $e pézida de $1,000? La respuesta es gus en et lina stuaeén i inverse ! te resula adversn al riesgo, lo ue significa gus sienten que la pide oe Bipoon eee, ii Aolorosa que el beneficio proveniente de una ganancia de $10,000, RE(n0 jugar)Vins woo 600 Delores Et andlisis de decisiones maneja este comportamniento con una funci6n que mide el “aspee- to atractivo" del dinero. Esta {unci6n se llama fimetén de urilidad donde, para efectos de este ‘andlisis, la palabra uilidad puede considerarse comovune medida de “satisfacciGn”. En la figu- 1 10.6 se muestra una tipiea funcin edversa al riesgo. Vale ln pene observar dos caracteristicns de esta funciéa: 1. Bs no decreciente, puesto que més dinero siempre es por lo menos igual de atractivo que menos dinero 2, Bs céncava, Un enunciado equivalente és que le utili marginal del dinero es no erecien- te, Para abundar en este fenémeno, examinemos la figura 10.6. Primero, suponga que tiene $100 y alguien le da $100 adicfonales. Observe que su utlidad aumenta segin {U(200) ~ U(100) = 0.680 0.524 = 0.156 ‘Ahora, suponga que comienza con $400 y alguien le da $100 adicionsles. Ahora su utlidad au- U{S00) ~ UE400) = 0.910 ~ 0.850 = 0.060 En otras palabras, 100 délares adicionales son menos alractivos para usted si. tiene $400-en la mano que si comienza con $100. Otra manera de describ este fendmeno es que en cualquier ‘momento, la ganancia correspondiente a una cantided especifica de dlares inerementa menos Jas utitidades que una pérdida de una misma suma de d6lares reduce la utilidades. Por efemplo, utilizendo Ia funciéa de utlidades dels figura 10.6, ya hemos calculado que la ganancia en u lidsies que proviene de pasar de $400 a $300 es de 0.060. La pérdida eo utilidades de pasar de $400 a $300, sin embargo, es de U(400) — (300) = 0,850 — 0.755 = 0.075, que-es mayor. Ota Tmanera de verlo es que para a mayor‘a de la gente seria wemendamente emocionante recibir $81,000,000, pera recibir $2,000,000 no serfa el doble de emocionante, De manera similar, en- contrar $100 serfa un agradable golpe de suerte, pero Ia diferencia entee recibir $1,000,000 y $1,000, 100 seria despreciable. Por Io tan, vemos que un misao ineremento tiene una utiidad deereciente para la mayovfa de la yente, o para obtener un mismo grado de utilidad cada incre mento debe ser mayor La figura 10.7 muestra otros dos tipos generales de funciones de utilidad. La primera es ‘una funcién propensa al riesgo (convexa), donde la genancia de una cantidad espectfica de délares increment la utilidad més de Jo que una pérdida de la misma eantidad fa reduce. Por sjemplo, si usted comienza,con $200_y aumenta su acervo.en-$100.para llegar. $300,su-ali-— Jidad-aumenta-en 1Y(300) ~ U(200) = 0.590 - 0.260 = 0.330 ‘mientras que si empieza con $200 y reduce su acervo en $100 para llegar a $100, su utilidad se reduce en U(200) ~ UL100) = 0.260 ~ 0.075 = 0.185 Por lo tanto, cou una funci6n de utitidad propense al riesgo, un inerementa de $100 aumenta su utlidad més de lo que un decremento de $100 la reduce, Como hemos visto, en na funcidn ad- versa al riesgo (céuceva) como la que se muestra en la figura 10.6 es vélido wn entncindo com- pletamente opuesto. Gepitaio 10 Andlisis de decsiones FIGURA 10.6 Funcién tibia de utldad acvrsa al riesgo a7ie Parte ‘Modelos probabilisticos FIGURA 10.7 Algunas otras funciones de utiidad vtilsd Uuiigse 10h yoo 200 800 400 Délares 00200300400 Delares Propenss al riesgo Indferente al riségo Para la funcidn indiferente al riesgo que se muestra en la figura 10.7, una ganancia o pérdi- dade una cantidad de délares especifica produce un cambio de la misma magnitud en su utlida. COMO CREAR Y UTILIZAR UNA FUNCION DE UTILIDAD Analizaremos dos métodos para crer Is funci6n de otilidad. El primero es un método més texacto, pero tedioso, en tanto que el segundo es més rid, dado que asume una forma prede- terminada El primer método para crear una funei6n de utiidad como la que se muestra en la figura 10.6 requiere que el administrador, en nuestro caso el repartidor de periddicos, haga una serie de eleociones entre un rendimiento seguro y unaltefa. En lenguaje més formal, © 1e- quiere que el administrador cree una loteria equivalente, Este, sin embargo, es el segundo pa- £0, Empecemos por el principio, El reparidor de peridicos puede seleecionar abitrariamente los puntos extremos de su foncién de atilidad. Es una regla convencional convenienteestablever Ia liidad del rent amentoneto minimo en délares igual a0 y Js utlided del endimientoneto mis elevado igual {'1. Dado que en el ejemplo del repatidar de periédicos el readimiento minimo es ée -130 1 maximo es de +105, determina que U(— 150)=0 y U10S) = 1. Ambos valores juegan un papel importante para encontrar Is utlidad de cualquier contidad de dinero entre ~ 150 y 105, Quizd sea mds cil explicar el procedimiento con un eemplo. ‘Suponge que quien fon la decisin comienea con U(-150) = Oy U(105) = 1, y quiere en- ontar la lida de 10 (es decir, U[IO). Comienza selecsionando una probabilda!p que re- bulleiniterente ene las siguientes aleriivas 1 Recibir unrpago segurorde0: 2, Paticipar en una loterfa en Ia cual, con una probabitidad p, él recibe un pago de 105, 0 con probabilidad (1 ~ p }recibe un pago de —150. [Bs claro que si p= I, quien toma Ia decisin prefiere le alternativa 2, ya que prefiere un pa- {g0 de 105 a un pago de 10. Igualmente claro es que si p =0, peferiré la alternativa 1, dado que ‘sear un pago de 10 a una pérdida de 150 (0 lo que es lo mismo, un pago de ~150).Es claro {que en algin punto entre Oy 1 habré un valor de p tal que @ quien tome la decisin le resulte in- diferente cualquiera de las dos alternatives. Este valor variard de una persona a otra dependiendo de cusin atractivas sean las alterativas. Podemos llamar a este valor de p la utilidad de 10. Por “ejemplo; supongr que et-sdministradar eige-que p sex igual 0:6-Entoncesel-valoresperado-de TaToteria sera .6(105) + Oa TSU)= 3. En otras palabras, e518 expresano mdiTeTencla en Ur ppago segura de 10 y arriesgar un valor esperado menor, 3. Esto significa que esta buscando el Tiesgo, ya que requiere de un pago seguro mis slto que el rendimiento esperado, esto para com pensar la pédida de la posibilidad de lograr mas que el rendimiento esperado. ‘Alora suponga que hubiera elegido p = 0.8, entonces el valor esperado de Ia loterfa hubie rasido 0.8(105) + 0.2(—-150) = 54.0, Esto significa que es adverso al riesgo, ya que requiere un valor espero més alto que el pago seguro, para compensar el riesgo de Ja loterfa En alggin mo- do, entre més alto sea el vslor de p que elija, mas adverso al riesgo serd, dado que requiere un valor esperado mds alto de la Jotera para compensar su riesgo. Resolviendo la ecuscién(10S) + (1 pX—150) = 10 255p ~ 150= 10 160 poe 355 ~ 96778 — encontamos el valor dep en el cual el valor especado dela foiecta igual al pago seguro de 10. Si el adcsinisradorelige un valor dep mayor que 0.6275, es adverso al iesg; igual 0.6275, ine Aliferene a siesgo; y menor que 0.6275, propenso al esgo. Repitendo el mismo procedmnignta para todos los posibles rendimientos en dares en el ejemplo del reparidor de periédicos, po adversa al riesgo) y requiere la evalua cin de un solo parémetro. Ha sido utlizada para analizardecsiones de inversiones Financieras {y pata otes aplicaciones en los negocios. La funein tiene la sigaente forma: 5 ve) donde x es la camtidal de dinero que vamos a convertic en ilidad. Como se puede ver, el vini- ©o parimetro por evaluat esr, que es una constante que mide el grado de aversiGn al tiesgo, Es decir, entre mds elevado sea ei valor der, menos adversa al riesgo es Ia persona o la empresa (en { ‘otras palabras, estén dispuestos a correr mayor riesgo). De manera similar, entre menor sea el 4 valor de-r,mds adverse al-riesgo es la persona o empress: Hay imachas formas para determinar el valor der. Dos de las més sencllas se muestran a ) Continuacién. Primero, debemos determinar una cantidad de dinero tal que al administrador le i sean indiferentes las siguientes dos opciones: 1. “Un juego al 50-50 donde lr retibucion es una gansta de Flares o uika péecida de 0/2 délares Una retribucion de cere, | Stponames qu eso repntor de print se mueandierent etna pues don Sogun S100 iow $30 con pul pooaidad yang suet anes ees | Th segunda manera de dactirarrpovienede eens once ents prec anige | ana dss drones on Howard El doer Hava a ids ractete aoe a | Sinem arene opr omnes | zres0s netos de Ia compaiia, el capital contable y las ventas netas con el grado de aversién al riesgo, r Por ejemplo, encontré que res aproximadamente igual a 124% de los ingresos netos, 15.1% del capital contable y a 6.4% de las ventas netas. En olrss palabras, una gran empresn_ son ingests sis cde $1000 nllones end una.re_|-2.siLmillons,2ntante-que-ona-em ;resa ms pequefla con ventas netas de $5 millones tendté una r de 320,000. Por supuesto, se twata solo de grandes lineamientos, pero pueden ser muy tiles y de seguro indican la tendencia, dd las empresas més grandes a tener valores de r més elevados y una menor aversiGn al riesgo. Ahora regresemos a nvestro ejemplo del repattidor de peviédieos y juzguemos su funciéa de utlidad. Dado que 6! posee un negocio muy pequefio, opta por utilizar el método de la fun cin de utilidad exponencial predeterminada y leva a cabo la apuesta al 50-50 ya analiznda pa- ra determinar su valor de r ($100). El desea ineluir la funcign de uilidad en une nueva hoja de cfleuto llamada “Utilided” en el mismo libro de trabajo (NEWSBOY.XLS), y evaluat la utili- dad de todas as rettibuciones en d6lates. Fuso de esta nueva funcién de utilidad exponencial ppara la toma de decisiones cuando se conocen las probabilidades de los estados de la naturale- Gopitule 10 459 Analisis de declsiones7 Paris Modelos probabilsios cs z i EE ou! Ee} — a ie j ' Fee lvciebnisies| “0 ieee! 3 | He | He Le | z a Bt a Celia Fmt cpiese 3 ouRA 108 BY #1 = BSPERADOG Can isco 18755814 Brio jade cao de utlidad Fy SUMAPRODUCTO (BE SBSI245812) Parvo el repartidor 2aes un proceso sencilla, specficando, el repatidar de periédicos geners une nueva tabla de retibuciones donde las eusadas consisten en Ia utlidad del fujoneto de efectvo asociado con ‘cada combinacin de una decisin con un estado dela naturaleza (es deci, susttuye la wilidad {el hyo neto de efectvo po el jo deeectvo mismo), Por ejemplo, la fil’ (ordenar 2, clam 13 (demand 2) en a tabla 104 muestra un faj de efectivo neto de 70. Su hoja de eéleuo (que se nulstra en la Figura 10.8) taduce eto en una utlidad de aproximadamente 050, que se con- verte en une nueva enttada en la fila 3, columna 3. Bl repartidor de peri6icos ahora procede como anteriormente lo hi2o; esto es, calela la wilidad esperads para cada decisién. Esto se 1uestraen la columna F de la figura 10.8, Finalmente, desea hacer una grica de su foncién de utlidad para conocer su forma, lo que también se muestra en la figura 108 "Para ceases aja de cielo, el repatidor de peri6dicas hizo lo siguiente: — 1 Cre6 una nueva ja de ciclo llamada “Uslidad” en el mismo libro de wabsjo (NEWS- BOYXIS). 2 Copié las celdas AS-FI2 de la hoje de cfleulo “Caso-bisico” ala-nueva hoje de-céleulo; cambi6 la férmila del celda BY a= 1 ~eperado(— Caso bésco 'B7/SBS14) y despues la copie BTEIO- 3. Escribié un valor inital de ~150 en celda 17 4, Hizo cic de nuevo en la celda A17 y después hizo clic en: Bitar, Llenr y Series. 5, Hizo clicen "Series en columnas” yescribi6 un primer valor de 5 y un valor init de 105. Despues hizo clic en Acepta. 4 crib a formula (qu se muestra en ine de ecuaciones de Ia Figura 10.8 para conver- tirdolares a uiided) en Ja celda B17 y Ie copis a B68 Ulla el asistente para grfieas con los datos en A17:B68 para crear na gréfica de I fun- cidn.de.tilidad.como.e.qve se muesta.en Ja. esquina inferiocerechs.deda figura 10.8. Fodemos ver en Ta columna F de Ta figura 10.8 que, basindose en el eviterio de maximiza- ci6n de ia uilidad esperads, el repartidor de periSdicos deberfa ordenat 2 periédicos (tiene la uti- lidad esperada més elevada, de 0.10). Regresando al andlisis de decisiones bajo condiciones de iesgo de la secci6n 10.2, se observa que si el repatidor de peri6dicos fundamentase su decision fen la maximizaciGn del flujo de efectivo neto esperado, también ordenarfa 2 periddicos. No obs- tante, no siempre resulta cierto que la decisién que presenta el mayor flujo de efectivo esperado también oblenga la uilidad esperada més grande. El hecho de que este fendmeno haya ocurt- ddo en este ejemplo en particular no implies que acursird siempre. Veamos un ejemplo de Ia vi- dda real donde la utlidad esperada y l rendimiento esperado no generan la misma decisi6n,ayo easo_puede esperar un cosio por datos | Capitulo 10 6% ‘Analisis de decisiones I [sia /€ le mmr 008 _ Formula = 22481 = SUMAPRODUCTOCES:F3 SES6:SES6) os 56 =Bs : a = FIGURA 10.9 6 = 1-Bs a Hoja de cleulo de un seguro para automéuil a [Mig toe ae [Mewonprar | Hit ue) eta Gelda__Formula_ B12 ISEXPCESISFSS) Eikis ))~ FIGURAIOA0 or SUMAPRODUCTOCEI2E/2 E8685) aia Hoja de cial del utlided el seguro pare sutoméui Considere et siguiente ejemplo de un seguro para automévil. Hace 10 aflos que Carol Lane salié dela Graduate School of Business Escuela pare graduados en negocios) de Stanford y aca~ bade adquiric un hermoso Lexus nuevo. Telefonea a su compaffa de seguros para automéviles y determina que la prima anual de un seguro por colisién serfs de $1,000, con un deducible de $250, Tiene una probabilidad de sdlo 0.5% de ser la causante de una colisién durant el siguiente alo, _ 50,000 contado (es decir, sin préstamo), no est obligads a comprar el seguro por eolisin, ;Deberi com- prar ono el segaro? Caro ia hecho un modelo de esta situacin en la hoja decSleulo que se mues- tra en la figura 10.9 (AUTOINSU.XLS). Con base en una “maximizacién del rendimiento esperado”, Carol observa que le result sfa menos costoso, en promedio, no adquiri el seguro ($250 comperado con $1,001.25). Sabe, sin embargo, que la decisién no puede ser tan sencilla y se siente un tanto ineémoda, Recuerda cl concepto de uilidad de su estancia en fa escuela de negocios. Decide que ella es adversa al riesgo, y estima su valor ren $10,000 (utlizando el primer método explicado en esta seccién [apuesta al 50-50). Blabora una nueva hoja de céleulo Hamada "Utlidad” en el mismo libro de ‘sabajo para incorporar su uilidad, como se puede ver en Ia figura 10.10. acdo-que-ella-compes el Lesus-ql———————~TERT _Conenta eta ve gu deci de “Compare! seguro" masini eer 5 saon patina, ca(-D conte 60s agrn nd paiva gees unt stun Se eee epee cenaninee a ccante tinenere gate See ees Greer ee oe crpemn a Teeee are oeal Somiene s mngeuries aay en meer ae peer nate ase Seren QED UN RESUMEN ALA WitAD DEL CAPITULO Las tes secionespresedents ns deron el fundamentoteérico ene] que se bas el resto del | capitulo. Las seciones siguientes estin dedcaas a procedimientos que juegan un papel impor- tant n ia resoloign de modelos del vida real, Esl hacer un reauen de Yo qbe hemos lo- srado antes de proses, La seccidn 10.2 nos dio un marco general pare Ia clase de modelos eonocios como dec- siones conta la naturateza En este marc, el modelo se puede desrbir por meio de ui tabla, derenibaciones en acl ios rendimenios para quien tom la decisindepencen dela decision seleccionada y del estado dela naturalezachando ocirra, Se analizaron tes cass espectios 1. Decisiones bajo certidumbre: Quien tome la decision sabe exactamente qué estado de la naturalezs acurtird, El “tinico” problems es seleccionar la mejor decisién. Los modelos deter- ‘min(sticos como Ta programaci6n lineal, la programacién con enteros, la programaciéa no lineal y la CEP en inventarios quedan incluidos en esta categora, 2. Decisiones bajo condiciones de riesgo: En los estados de la naturaleza est4 definida una distibucién de probabilidsdes. Quien toma la decisin puede utilizar los siguientes criterias pa- 1 seleccionar la "mejor devsién”: ‘a. Maximizar el rendimiento esperado medio por un rendimiento neto en d6lares. . - Minimizar e arrepentimiento espersdo (costa de oportunidac). €& Maximizar el rendimiento esperado medido por su uilided. ‘Vimos que los eriterios a y b siempre conducen a la misma decisin. La mayor pavte de los mo- delos de decisiones administrativas caen dentro de esta categoria de decisiones bajo riesgo. 3. Decisiones bajo incertidumbre: Aqut se asume que quien toma la decisis no tiene co- snocimiento de cual estado de Ia naturaleza ocurriré. Quien toma la decision puede aplicar e criterio de Laplace; esto es, asignar iguales probabilidades a los diferentes estados de Ia na- — -traleza, ¥ después clegir la decision que-maximice-c}rendimiento-esperado-De manera ale ‘emativa, quien toma la decisién puede atacar el modelo sin utilizar probabilidades. En este caso, vimos tres criterios diferentes para tomar la “mejor decisi6n": ‘a, Maximizar ef rendimiento neto minimo en détate. - - 1b... Maximizar el rendimiento neto maximo en délares, es = ¢ Minimizar el arrepentimiento méximo. —Cada uno deestas orterios condaciéyen-generalra diferentes decisiones,corlas cuales muchos ——— tadministradores se seatitdn inconformes. | La secci6n 10.3 estuvo dedivadia al concepto det valor esperado de la informacitn perfecta (VEIP). Este concepto desempena un papel importante, pues esteblece un limite superior ala ci- fra que usted deberta pagar para obtener nueva informacién acerca del estado de la naturaleza que ocurird Finalmente, en la seccién 10.4 analizamos la uildad como wna medida alternative del as- pecto atractivo de cada combinacién entre una decisiGn y un estado de la naturaleza. El deseo ‘de utilizar una funcién de uildad es mativado por ef hecho de que en algunas easos, por ejem- plo, debido-a-la magnitud de las pérdidas potencisles-le. decisién.que.mtximizal rendimiento nétods para evalua la funcién de wtilida. Las secciones restates de este capitulo se ocuparén de as ampliaciones al madelo més comii (decsiones bajo riesgo). Se incluyen los drboles de decisiGn, una wenica de gran im- pportancia en Ia prictica, a través del uso de un complemento de hoja de eélulo llamado Tree- Pian, se hace la introduecién a dos conceptos importanes: el uso de nueva informcién en Ia toma de decisiones y 1 anlisis de modelos de decisién secuenceles, Dada la naturaleza se- i ‘cuencial de estos modelos nuevos y més complejos, las decisiones y las tablas de decisidn o de retribuciones de las secciones anteriores ya no funcionanQE ARBOLES DE DECISION: VENTA DE TRACTORES — 7 PARA JARDIN Y USO DOMESTICO Un &rbol de decisiones es un dispositive gréfico para et andlisis de decisiones bajo tiesgo; esto es, modelos en fos que tanto las decisiones como las probabilidades de los estadas de ls Capitulo 10 ‘Analisis de decsiones a8 — tmtratezresun aenas-De manera mix precisa, 10s bole de decisiones Turon dseta- dos para utlizarse ent modelos en los que hay una secuencia de decisiones, enda una de Ins ‘cuales podria Ilevarnos a uno de varios esultads inciertos. Por ejemplo, un concesionatio tie he que decidir tipicamente cuanto ofrecer por cada uno de los diversos locales posibles en In Feria estatal. El resultado de esta decisién no es seguro, ya que depende de cusnto decidirén cofiecer los competidores. Una vez conocida Ia lecalizacién, el concesionario debe decidir ‘cuinta comida almacenar. EI resultado de esta decisi6n en términas ce utilidades tampoco es segure, dado que dependerd de la demanda de ls clientes. [Nuestro andlisis de os érboles de decisin est erganizado de In siguiente manera: en esta sec- cig hacemos una inttoduccisn a los conceptes basicos y a un complemento de hoja de ecu, ‘TreePlan, que elabora los érboles de decisin en una hoja de eélculo, Este paquete de software fue i desarroliado por Michel Middleton y esté disponible como shareware. Visite su sitio web en hupsfwwwtreeplan.com. (Si le agrada el software y planea utlizarlo fuera de esta clase, debe- Wicubcir una euota de registro nominal. Los detalles estn disponibles en la “Ayuda en linea” de ‘TreePlan.) La seccién 10.7 examina le sensibilidad de la decision Sptima a los valores estable- cidos para las probabilidades. La seccidn 10.8 le muestra e6mo se aplica el teorema de Bayes para incorporarinformacién nueva al proceso, y Ia seccién 10.9 analiza un modelo de decisién Ssectiencial. Todo el andlisis esté motivado por el siguiente modelo de produccién y mercadotec~ ‘ nia que enfrenta la administraci6n de PROTRAC. ESTRATEGIAS ALTERNATIVAS DE MERCADOTECNIA Y DE PRODUCCION, , ‘Acaba de completarse la fase de disefio y prueba de producto para la nueva linea de tractores pa- ra jardin y uso doméstica de PROTRAC. La alta gerencia est tratando de decidir la estrategia i de mercadotecnia y produccién apropindas para usarse con este producto. Se estén considerando tues alternativas principales. Cada altermativa est identificada mediante una sl palabra, 1. Agresiva (A): Esta estratega representa un compromiso importante por parte de In em- presa con esta linea de producto. Se incuria en importantes desembolsos de capital paca una ‘nueva y eficiente planta de produccin. Se acuulatien grandes invent pura geranizar la ~~~ entrega apropiade de todos fos modelos, Se iniciaria una gran campata de publicidad inclu yendo un patrocinio a nivel nacional de comerciales en televisiny se arrancarfa un progra- ma de descuenios a distribuidores 2 Bésica (B); En este pln, la producci6n del E-4 (el actor oruge pequeio)serfatesadaa 4} ~ de Ioliet a Motine- Este rasladoeliminara el problemética deparamento de produccién del pe- Jieano ajusabl y del excavador. A mismo tempo la Kinea E4 en Joliet serfamosifenda para productos més populares. Las oficinas centrales pondifan fondos a disposicién pera apoyar es- 1 fuerz0s locales o regionales de publicidad, pero no se haria una campatia publicitaria nacional. 3. Cautelosa (C): En este plan, la capacidad sobrante en varias de ls lineas E-4 se ulilizara ‘pata manufacturat los nuevos productos. Se desarrollaria un minimo de nuevo montaje. La pro- duceién se programatfa para satsfecer Ia demanda y 1e publicidad correr‘a a cargo del comer- ciante local La adiinistracion decide clasificar el estado del mercado (es decir, el nivel de la deman- } da) como fuerte (F) 0 débil (D"}se eseribe D” para diferenciarla de D, que corcesponde a “De- FF —ilentador®)-Enrealidadr le demandarse caracteriza por urrcontinuede resultados posibles- Br 1 e3te efemipio miroductorio nos Tamtaremos a dos estados ponies (Tuer y OEDiTY para STMpT= ficar las cosas. Para un andlisis del tema sobre e6mo tratar estados de la naturaleza infnitos, } veal seceién 10.11. La hoja deeéleuto que se muestra en la figura 10.11 (PROTRACDT.XLS) presenta la tabla de retribucioues y lx mejor estimacidn sobre las probabilidades de wn merea- do fuerte 0 débil hecha por la administracién. Las retibuciones en el cuerpo de la tabla son las utiidades netas medidas en millones de délares. Fueron generadas calculando cuidadosamen- te las ventas, ingresas y costos asociados con cada combinacién de decisidn/estado de la natu- raleza. Bs interesante observar que una decisién cautelosa (C) reditda una utilidad mayor con tun mercado débil que con un mercado fuerte. Siel mercado es fuerte y PROTRAC cauteloso, Jos competidores no solo capturardn el mercado de tractores pequefios, sino que, como resul- -producirel nuevo producto para;jardfny uso doméstica: Se mantendrfaa inventatios Slo pact ogea ea [ =SUMAPRODUCTO(ERICE SEST F081) | Modelos probabilistios SEES TES nT EI | | bet 1 14 j=an etl | bo | toc | : ‘ee Li teed iT 5 ! FicuRA 10.11 Férmula Céplese a ie i Hoja de calcul basica de Ds ‘SUMAPRODUCTO (BS:C5, SBSI:SCS1) D6D7 i i metcadotecnia de PROTRAC lado del efecto posterior a estas ventas, la competencia peneteard seriamente en la posicién ac- tual de mercado de PROTRAC de accesorios y otros productos domésticos. "Aqui nos estamos enftentando con lo que hemos llamado decisiones bajo riesgo, ademés i ‘de que calcularemos el rendimiento esperado para cada decisin y seleccionaremos la mejor de elas (como lo icimas en la seccidn 10.2), excepto que aqui comenzaremos en una hoja de eélew- lo y nos saltaremos el procedimiento “manual”. La formula para el rendimiento esperado se ‘muestra en la barra de ecuaciones de a figura 10.11, asf como las retribuciones esperadas resul- ! ‘antes para cada una de las tes decisiones en la colummne D. La decisién dptimsa, si usted es in- diferente al riesgo, seria seleccionar (B), ln estrategia bsica de produccién y mercadotecnia, que ‘produce la mds elevada rettibucién esperada de $12.85 millones. ‘COMO CREAR UN ARBOL DE DECISIONES Este madelo de mercadotecnia también puede representarse mediante el srbol de decisiones {que mostraremos abajo, En nuestra exposicién de los &rboies de decisién, un nodo cuadrado (nodo de decisién en TreePlan) representaré un punto en el que debe tomarse une decisién, y cada linea que salga del cuadrado representard una posible decisi6n. Los nodos cireulares (n0- dos de evento en TreePlan)representardn situaciones donde el resultado es inciesto. Cada nea proveniente de un efroulo representa un resultado posible. El término ramas se utlizaré para Jag Iineus que emanan de nodes, sean cuadrados o circulates, Los pasos para crear el érbol de decisiones para el modelo PROTRAC en TreePlan son los siguientes: 1 loque el cursor en la celda A10 y haga clic en Herramientas, yclespués en TreePlan. (Si thay una opeién TrePlan en su mend, necesitaré agregara, Para hacer, hage clic en He- ‘ramientas, después en Complementos, Mis tarde haga clic en Ia opei6 ExaminaryToca- Tice TREEPLAN XLA en su computador [ya sea en su disco duro 0 en la re Finalmente haga doble clic en TREEPLANKLA tna ver que lo haya enconrado yenfonces deberd es- _____ ti disponible en su ment Herramientas) Note: aque usliza Ia version 1.61 2. Hagaclicen Nuevo drbol” ysedibujaré un del predeterminado con dos nodos de docisién 3. Debido a que PROTRAC necesita tres nods de decisin, hacemos cli en el nodo de de- cisién (la celda B14 en nuestro caso) y oprimimas Contol. Esto hard aparecer el mend Sensible al contexto de TeePlan, 4, Haga clic en “Agregar rama’ (si no es Is opeién predeterminads), después haga clic en Acepla 5, Friquete as tes amas como Agresiva,Bésica, yCautlosa (en ls eeldas D11, 16, D21). 6. Ya que queremos remplaza el nodo terminal con un nodo de evento aleatoro, haga lie en ‘do terminal (ie celda FI2yeomo se muestra figure 10.12, y después oprim Cone ——~ ~~~ Trl para hacer upareszr eT met 11. Haga clic en “Cambiar a nodo de evento” eindique que queremos dos ramas,y después ha- sgaclicen Aceptat 8. TreePlan dibyjarée bol resultant, como se muesiraen la figura 10.13. Observe que asig una una probabilidad predeterminada de 0.5 para cada uno de los dos eventos aleatorios, ast | como nombres predeterminads (eventos 4 5). 9. Cambiamos ls etquetas de “Evento 4” y “BventoS” predeterminados a mereados “Fuet- 16" y “Debi, respectivamente| Dee eee ay FEE ash ‘Notas: queenios Tepetir ex proceso (pasos 6-9) para Tos ofos dos nods peiiipales. Aoi ia podemos aprovechar (como se mues i Tos pases del 10al 12). 40, Para copiar un nodo (0 cualquier subérbol), haga clic en ta celda que desea copiar (celda Fd) y oprima Control LL. Haga clic en “Copiar subérbol” y después en Aceptat 412, Haga clic en la celda a donde quiera copiar el nodo (celda F22), oprima Control, luego ha- ‘ga clic en “Pegar subérbol” y después en Aceptar. 13, Haremos Jo mismo (pasos 10 al 12) para el itimo nodo terminal (celda F27 de la figura 10.13) eS 3 Capitulo 10 a5 Anilisis de decsiones FIGURA 10.12 ‘Acicién de un nodo de ‘evento al dtbol de decsiones para el modelo del tractor pa- ‘alarm y uso doméstico FIGURA 10.13, Arbol de decisiones parcalmente completo del tractor para jardin y uso —doméstco—— —— Te Davi que enrol es eMIpeTAMUO a CrECeT HUSTATE, CaMiSTaNTOS REMAN WET ATE ‘eamiento/Distanciamiento (zoom) a 75% y entonces se verdn todas las ramas del rbol co- mo se muestra en la figura 10.14, Observe que todavia necesitamos aici los Itmites o valores terminales y las probabilidades, ‘pero hemos hecho un gran avance. Para el modelo del tractor para jardin y uso doméstico, el frbol de decisiones de fa igura 10.14 muestra el nodo inicisl en Ja celda B24. Dado que es ‘cuadrado, se deberd tomar una decisién. Por lo tant, la administracin debe elegic una de las estrategins: agresiva (A), bésica (B) 0 cautelosa (C). Dependiendo de Ie decisin que se selec cione, se legaré a una nueva posicin en el drbol. Por ejemplo, la seleccién de la estrategin A nos Teva de la cela B24 a la celda Fld, j iie FIGURA 10.14 Todas las ramas del drbol de decisions para el modelo del tractor para jardin y uso doméstco ‘Dado que este nuevo node es circular, l siguiente rama que ocurrnt no se eonoce con seguridad, ‘Siel mercado resulta ser fuerte, se obtendré la celdeJ12. Si, en cambio, el mercado resulta ser ‘bil, se Hlegaré aa celda 117. Dado que representan el final del proceso de decisién, las celdas ‘como la J12 y J17 se conacen como posiciones terminales. También, dado que a los nodos de Tas cekdas P14, F24'y F34-no es siguen ottosnodos, sles conoce come nodos (erminales, COMO ESTABLECER LAS PROBABILIDADES Y VALORES TERMINALES EB] érbol de decisiones que se presenta en la figura 10.14 es una forma eficiente en que la adi ‘isttacién puede visualizar In interaccidn entre decisiones y eventos no seyuros. Sin embargo, 3 Ja administracién desea utilizar el 4rbol de devisiones para seleccionar In decision éptima, debe aide eerie informacin al diagranma, En particular, se debe ssignar el vendiniento asociado con cada posicisn (erminal. A est se le llama valor terminal. También se debe asignor una pro: Dabilidad a eada rama proveniente de cada nodo circular. Para el modelo bésico,ésta es tna tarea relativamente simple, y se puede hacer como sigue: 1. Cambie Jas probabilidades predeterminadas en les celdas HO y HIS de 0.5 y 025 por las f5mmulas =B1 (que contiene el valor 0.45) y también =Ci (que contiene el valor 0.55), respec tivamente. Haga lo mismo para Jas celdas H20, H25, H30 y H35. (Observe que si usied errénea mente eseribe valores que no sumen exactamente 1.0, el valor esperado de! nodo de evento (la celda a Ja izquierdal daré un valor de “NA”, que es una seal para que usted regrese y revise sus probabitidades:}——————— = = — ‘Cambie Tos VaTOTeS TEPTGTES OF CHC FATA FEMZAO TOS VaTOTES BEVRTERINTNUOS GE cero. Por ejemplo, en la celda H13 (que represents la combinacién de decisién Agresiva con el estado de la naturaleza “Mercado fuerte”) escriba la férmula =BS (que representa un rendimien- to de $30 millones en la figura 10.11). De manera similar, en la.celda HIS (que representa la combinacién de decisién Agresiva con el estado de Ia naturaleza "Mercado debit”) eseriba la f6:mula =C5 (con un rendimiento de -8). Escriba férmulas similares =B6, =CS, =B7, (con Jos valores de $20, $7, $5 y $15) en las celdas H23, H28, H33 y H38, respectivamente, [Estas pasos dardn como resultado el srl de decisiones que se presenta en Ja figura 10.15.22H smawers £25,635) Capitulo a8 Ser FERRETS ani de decsiones | FIGURA 10.15 Al de desones completo ie) _parael modelo dl actor ara jardin y uso doméstica . ‘COMO PLEGAR EL ARBOL AL empleo que se le cla a un rbot de decisiones para encontrar la decisién éptima se le llama resolver el drbol. TeeePlan hace esto por nosotros automdticamente. Para resolver un bol de Aecisiones se rabaja de atris hacia delante (es decir, de dexecha a izquierd) 0, en Ia jexga co- sespondiente, plegando el érbol, Primero, las ramas terminales se pliegan ealeulando el valor experado de cada nodo terminal. Por ejemplo, observe el nodo de evento en la cekla Fl4, El —edleulo para obtener el valor espetado para este nodores ~~~ valor terminal esperado = 30(0.45) + (~8)(0.55) = 9.10, Enotras palabras. el valor esperado a obtenerse si se llega & Ia celda FLA es 9.10, Ahora las 7 rumas provenientes de ese nodo en paticularestn plegada (es decir, eliminadas),y el valor «esperado de 910s esignadoal odo, como se muestra en lacelda B13 dela figura 10.15. Lle vando a eabo los mismos efleuos para les nods de las celdas F24 y F34 oblenemos sus va lotesesperados, como se muestra en las celdas £25 y E35 dela figura 10.15, Observe gue los valores terminals esperados en cada uno de estos nods son idénticos a os valores de rendi- mento esperado calculaos antes en esta seccin (véase Ia fgura L011) para las decsiones A, B yC, respectivamente. Ahora la administacins6loenfrena el sencilo problema de elegir la sliemativa que dé como resultado el valor terminal esperado més elevado. En este caso, como ‘vimos anterionnent, la elecciGn “tina es la estrategia bésica (a alterativa B),y TreePlan lo indica en te celda B24 con un "2" lo que significa escoger In segunda rama o ia estrategia 6 isi ———————TieePian puede snalzar-trboles.mis-complejs siguiendo Jos nismos procedinientos- En ——rareiruioreFsoprmare determine trsamirde tor retorerenperaios tec el mismo, mientras que en cada cuadrado elge a“‘mejor” rama (valor maximo), yendo de de- secha ainquierda El aniliss anterior aos de un ejemplo simple de e6mo se puede analizar el mode bésico ‘on un étbol de decisiones in las sezeiones 10.8 y 10.9 usted ver el uso de éboles de decision enescenaios més complejos. Sn embargo, est andliss de itroduecia ilusen un punto innpor- tante: Para el modelo bdsico un drbol de decisiones simplemente propareiona otra manera mds aréfica de ver el mismo modelo. Se wiliza exactamente le misma informaci6a,y se realzan los tnismos calcul, ya sea que se uilicen los pasos deseritos en la seccién 10:2 oe érbol de dec siones para resolver el modelo.Cer Rae a uC Seu sc CO CL eet En afios recientes, sha wet muy activo el mercado de energia elec tice al mayoreo ene sureste de Estados Unides. La pobacin y ls ~necesidades de eer Ue Florida har creck més-aprsa qu ia pacldad del estado para generar enegiaeléctica Al mismo tiempo, Ja csponibilidad de energa excedeate en los estadosvecinos, como Georgia, ha aumentado con la puesta en servi de grandes plantas rucleare y de cabin, El resultado es que catidaessustancales de energetic yen desl Georgia ls estadoscercanos(Alaba- ‘ma, Carolina de ut) hacia Florida La Oglethorpe Power Corporation (OPC; Corpoacin de nerala de Oglethorpe) os una cooperatva de generacisn y transmisén de energfa, Produce aproximadamente 20% de la energiaenel estado de Georgia. En 1990, a adminstrecién de OPC supa que le Frida Power Corporation (FPC; Corporaion de enerala de Foca) queria ampiar sus cnexions hacia Georgia con otrainez de 500 klovoltios capa de transmit més de 1,000 MW. La pregunta clave que enfin ‘taba OPC eras elbia anal etacapacidad detransmisin aiconal vj silo acl, en aué form, Tenlan tes opciones de decsén en el caso e aatiron0 anes (1) hacer sols, (2) hacerlo conjuntarente con ‘Georgia Power 0) no hacerlo Dependlerdo de mo estructura OPC Iaiversin y operaal ine, la vers po ser de $100 millones ‘0 ms los ahorosanuales pois llegar a §20 millones o ms. ain versdn seri una de as mas elevadas de OPC los hoeos anuals re resentaran veins punto porcentuals de su presupuesto anual. Los adminstadoes de OPC se dieron cuenta de que se tataba de una decién muy importante y por lo tanto utlzaon tence for- QD AWAuisis DE sensisitipad males de analss de decisions. El andi de decisiones se ha hecho bastante popular en la industria de la ener eléctica en Estados ~ nis debidoralgrarrapoye que aportarelEtectric Power Research Institute (institut de Investigacion de Energi Elctric) de ese pls Conforme se estudiaba el tema, OPC se dio cuenta de que en reai- dad eran tes decisiones, no slo una, como hablan pensado en un princpo. Se deberia decid la construccén dela linea de tansmi- sién la actualizacin dels instalaciones de transmisin asocadas y ta naturleza del contol sobre as nuevas Instalaciones, Habia cineoinceridumbes principales el costo de construciin elas nuevas instalacones a demanda de energia en Florida la sie «in dea competencla, lporcentajedepaticpacién en el mercado de (FC ye precio “spot” de a elecricidad, Estas inceridumies a com binase con as decsones,generaron casi 8,000 ramas en el bol de decsones. El reto ra legar a la desi optima que maxinizara los _dhorosesperados Desputs de realizar algunas andl de cenibildad, (OPC deciis que se deberi saber més acerca de una dels factores ine Gertos —a situacin de la competencla—~ ants de comprometerse seriamente con la linea de wansmisn. Después de hacer a recomendacén que result del malo era «que OPC debera comenzar negoiaconesindepenintes con FPC lo tual levaia a hacer el negadio alla sola o 2 na consturla nea, De manera interesante, a oltica que de entrada habia parecio ser la sms aprpiade (hacerlo conjuntarnente con Georgia Power results ser la decision menos tractive (vase Borison} EL RENDIMIENTO ESPERADO COMO UNA FUNCION DE LA PROBABILIDAD EN UN MERCADO FUERTE ‘nies de pasar al siguiente tema de importancis: un modelo ei el cual se obtiene nuove in formacién concemniente a la posibilidad de. eventos inciertos, ser4 itil considerar.de nuevo el rendimiento esperado asociado con cada una de las decisiones en auestro ejemplo anterior. ‘Ya hemos observado que para calcular el rendimiento esperado de la estrategia A, se utiliza Inrelacién RE(A) = GOP) + (~8)PD) donde P(F) es la probabilidad de un mercado fuerte y P(D’) es la probabilidad de un mercado <ébil. También sabemos qve PF) + PD) 1,0PD) - PR) ——Por tanto RE(A)) = 30P(F) ~ 8{1 ~ POR)] = -8 + 38P0R) Este rendimiento esperado es por eso un funciGn lineal de la probabilided de que Ia respuesta, del mercado es fuerte. Se puede encontrar una funcién similar para les altemativas B y C, dae do que RE(B)) = 20P(F) + 7[1 — PE) + BPR) a6apituio 10 465 Analisis de dedsiones FIGURA 10.16 Rendimiento esperado como tuna funcion de FA) RE(C) = SPI) + 151 — PR] = 15 - 107) El azo de cada una de estas tres funciones sobre un mismo juego de ejes se realiza écilmente cen Excel utilizando el comando Table de datos. Para hacerlo, simplemente: 1. Copie AI:D7 de Ia hoja de efleulo “Caso bésico” a una nueva hoja de eélculo tlamada ‘Rendimiento esperado comparado con P(F)". Cambie la entrada de la celda Cl de 0.55 a Ja {6rmula (=1-B1), Esto lo hace més general y nos permite hacer una tabla de datos de un solo sentido, 2. Bn la celda A10, esciba un valor inicil de 0. “3.” Haga elie de nuevo en-A10, después en Editar; Lienar yen Series: 4, Hoga clic en "Series en columnas" y escriba un valor inicial de 0.05 y un valor final de 1.0. . Haga clic en Aceptar 45, Bn Jasceldas B9:D9 escribimos las cantidades [RE(A), RE(B) y RE(C)] que queremos as- ‘tear para ceda valor de P(F) que hemos colocad en lacolumna A, Estas formulas son =D5, -D6-y-=D1, respectivamente— ! 6, Seleccione el dtea A9:D30 y haga clic en Datos, después en Tabla, 7 7. Haga la celda de entvada de Ia columna Bi! y después haga clic en Aceptar. 8, Excel calcula avtoinsticamente los reitlimientos esperados de las tres diferentes estrate= Blas para los valores de PCP) entre Oy 1 9. Usilce el asistente de graficas para producir una grfica como la que se muestra en la figu- : ra 10.16, iq ‘eamos ms detenidamente a figura 10.16. ee vertical sl endmiento experi ___|____oxtaontal 2. pb ied due elated su Ive Observe gue cuando P= 0, i | a itonoes RECA a are-aoprce de ue eto diene senide-eeesde que cuando Bj STcaumos teure de qu el etendo ser abil gua 1041 testa qu i el mercado Sealy tomes le deisidn Ae endimient ser de “8. Un egumeno sila muss | __ ue RECA) dae ser 30 cuando POR) =I dado que en ese caso etamos seguro de qe me | Egpestuete tt heehe dequeue nc eta ones estos os puntos emana de que \ RE(A) = ~8 + 38P) ! aque es una funcisn lineal de P(F). Debido a que el criterio para tomar una decisién es seleecio- ‘ar la decisidn que tenga el rendimiento esperado mas elevado, le figura 10.16 muestra cudl es i Ia decision 6ptima para cualquier valor particular de P(F). Por ejemplo, si como en la figura10.11, 1 valor de P(F) es 0.45, entonces la figura 10.16 muestra que RE(B) > RE(C) > RE(A). Por Io tanto, como ya hemos ealculado anteriormente, para este valor de P(P) la decisin 6p sna es B. Por otto lado, si PCF) = 0.8, vemos que RE(A) > RE(B) > RE(C), y por lo tanto, Aes In decisin dptima. i] En términos més generales, vemos que si P(F) es mayor que el valor P(F) en el cul se cra- ‘zan los trazos de RE(A} y RE(B), se debe seleccionar la estrategin A. El valor PCF) en el cual la | estralegi.A.se wuelve dptima se puede encontrar haciendo RE(A) igual s RECB) y resolviendo 5 en funcion de PCP) esto es io Parte3 Modelos probabilsticos RE(A) = RE(B) | tema) it 25PR) PR) oe } De manera similar, se determina fécilmente que las gréficas de RE(C) y RE(B) se crvzan cuan- do P(F) = 0.348, (Deberi intentarhecer este esloulo usted mismo.) Bor taco, la figura 10.16 indica que PROTRAC deberdseleccionar a produccin y estrategia cle mercadotecnia bésica (6s decir, a decision B) si PCF) es mayor que 0.348 y menor que 0.6. Esto concuerda con lo 4que hemos caleulado anteriarmente bajo la suposicién de P(F) = 0.45, Sin embargo, el andliss de la figure 10.16 nos proporciona raucha mds informaciGn que la que tenfemos anteiocmen- te. Ahora ealé claro, por ejemplo, ue la decisién éptima en este caso no es muy sensible ala precisin de nuestra estimacin F(F), La misma estrategia, la B, sigue siendo la ptima para un ‘neremento o decremento de mds de 0.10 en la probabilidad previamente estimada de 0.45. De manera similar, también seria importante consierer que tan sensible es In decisi6n alas estimaciones de los rendimsientos de flajo de efectivo. Por ejemplo, suponga que el rendimien- to dela estrategiaagresiva es superior a $30 millones cuando el mercado es fuerte. Podriamos hacer un anlisis similar para averiguarcuén sensible es nuestra decisi ala estimaci6 de un rendimiento de $30 millones cuando el mercado es fuerte. “Aunque un diagrarma como el de la Figura 10.16 so puede utlizarse cuando hay dos esta- dos posible de fa naturaleza, resulta un dispostiva pedagégico dil para iusiar la sensibiidad ela solucién éptima alas estimaciones de probabilidades y rendimientos. Para proyectos mas grandes, exisien generalizaciones de este metodo, pero ese andliss irfa mucho ms allé de ni ‘el inlroduetorio de ese capitulo EE ARBOLES DE DECISION NUEVA INFORMACION UN ESTUDIO DE INVESTIGACION DE MERCADOS SOBRE i TRACTORES PARA JARDIN Y USO DOMESTICO ..- [La adiinistracion dela division de traetores domésticos de PROTRAC estaba a punto de reco- { ——~mendarlrestrategiardemercadotecniay produccisw bésica (B), cuando e'consejer directives ——————— sisti6 en que primero tendrfa que levarse a cabo un estudio de investigecin de mercados. S610 | después de dicho estudio el consejo estaria dispuesto a aprobar la selecciGn de la estrategia de ‘meteadotecnia y produceién. Como resultado de Ia decisin del consejo; la administacis con sulté al grupo de investigacidn de mercados de la corporacién en las oficinas centrale de PRO- ‘TRAC. Se acord6 que este grupo Mevaria a cabo un estudio de investigacisn de mercados y pre- t paratfa un informe a més tardar en un mes, sobre si el estudio era alentador (A) 0 desalentador (D). Por lo tanto, en un plazo de un mes la gente que planea el nuevo producto tendria esta in- formacién adicional, a cual obviamente tendrfa que ser tomada en cventa antes de tomee una decisidn sobre Ia estrategia de mercadotecnia y producciGn, -administraciGn podria uatr-la.nuevainformacin-de manera infortial-est0-65-1ia.vee———— ‘que estuvieran disponibles los resultados de /a prueba, Ja estimacién de la administracicn de PGF), es deci la probabilidad de que el mercado fuera fuerte, serfa actualizada. Si el estudio re- sultara ser alentador (A), la administracién probablemente queria aumentar la estimacién de P(F) de 0.45 « 0.50, 0.60 y quizé mas, Si los resultados del estudio fueran desalentadores (D), entonces P(F) deberfa ser reducido. La pregunta es: gc6mo deberd sealiaarse la actualizaci6n? ‘ay una manera formal de hacer esto, basada en el concepto dela probadilidad condicional. Las | matemdticas de por qué funciona este método se explican con detalle en el apéndice 10.1. Aqut lllizaremos un mérodo tabular, adecuado pars usarse en un progreaa de hoja de eéleulo,COMO OBTENER PROBABILIDADES REVISADAS CON BASE EN NUEVA INFORMACION Fl grupo de invesigacién de mercados he acordado hacer un informe con un plazo de un mes aceea des, de acuerdo const eatin, a prucba es alentadora (A) o Gesalentedora (0), No Solrosesperaramos que sa informe fuera por completo confisbe; esto es, isu inforine ‘alentador, enfonces €s totalmente seguro que ei mercado seré fuerte, y si su informe es desa- lentador entonces el mercado ser definitvamente debi, Esto eqivaidra aque sv informe re. velata siempre el estado verdadero de la naturalezs.Veremos, sin embargo, que un informe de rercadoteenin puede restr il apes de no sec olalmente coniabe. Esto ae acolaign el tema de cine edit I “confiabilidad”, Uilzaremos las probabildades condicionaes. Probabilidad condicional Suponga que A y B son dos eventes. Una definicién informal de probabilidad condicional, P(AIB), es la probabilidad de que el evento A ocutra dado que el evento B ocurra. Por ejemplo, P(AIF) serfa la probabilidad condicional de que mercadotecnia proporcione un informe alentador dado que el mercado sera de hecho fuerte. Si el informe de ‘mercadotecnia fuera totalmente confiabe, esta probabilidad coudicional serfa igual al; esto es, siempre daria un informe alentador cuando el mercado fuera de hecho fuerte, Sin embbargo, el registro histérico de ta mereadotecnia no es perfecto. En el pasado, cuando el mercado ha sido fuerte, se ban emitido informes alentadores s6l0 60% de Ins veces, Por lo tanto, PCAIF) = 0.6, Dado que Ja metcadotecnia siempre emite un informe slentador 0 desalentador, el valor de P(DIF) sera | — 0.6, 00.4; esto es, emitieron un informe desslentador 40% de Ins veces en que en realidad el meseado era fuerte {Qué sucede cuando el mercado es de hecho débil? La mereadotecnia es de alguna mane sa mis acertada en la prediccin de mereados débiles, pero aun asi no es perfecta: P(DID’) Esto es, en el pasado, cuando el mercado de hecho ha sido débil, mereadoteenin ha emitido un informe desalentador 70% de las veces, Por supuesto, P(EID') = 0.3, Como calcular las probabilidades a posteriori Suponga que el grupo de mercadotecnia ha dado un informe elentador. ;Cual es la probabilidad de que el mercado sea en realidad fuerte? Es la probabilidad condicional P(FA). Observe que esta probabilidad en general no es igual a P(AIP). Veremos que depende de laconfiabilidad y de la estimaciones iniciales de las probabi- lidades de un mercado fuerte o-débil, Estas estimaciones iniisles se llaman probabllidades a priori, en tanto que las probabilidades condicionales tales como PFA) se aman probabil des a posterior. La divisi6n de tractores domésticos ya ha estimado las probabilidedes a prio- 1 (que se dieromeirlafigurs 10.11) como PCP) = 0.3 y POD") = 0.55. La clave para obtener ls probabilidades « posteriori esel\eorema de Bayes, Utiizaremos tun método de hoja de célculo tabular justificado por el argumento que se da en el apéndice 10. Este proceso se lleva @ cabo en une nueva hoja de céleulo de nombre “Probabilidades” en el mismo libro de trabajo (PROTRACDEXLS) y aparece en le-figura-10:17.” El-procedimiente es como sigue 1. Bscriba las Confiabilidades (probabilidades condicionales) dadas como una tabla (A1:Ci), ‘Nota la probabilidad condicional, P(AIB), se encuentra en la interseccién de Ie hilera A y Ja columna B. Observe también que Ja suma de las columnas debe dar 1, mientras que las suas de las flas pueden ser mayores que, menotes que o iguales a 1 2. Cree una nueva tabla multiplicando cada columna de la table de confiabilidades por ia pro- babilidad a priori correspondiente. Por ejemplo, multiplique cada entrada de Ia columna Fuerte de la figura 10.17 por P(Puerte) Esta tabla es de probabilidades conjuntas (véase el apéndice 10.1), Observe que la taba de pobabldades posterior’ en a figura 10.17 se lee de lierente mane que Ia aia ds confailde. Por ean, la probabiiad en ln nD y In cluraa D’ del bla de pobabiliedes a peti) es P{D'D], en toto qe a probabliad en J aD y ia columina Dela aba de confabildaé es P(DID']. 25 tenella probebilidadP(AIB} ea a tala de probablidades a postriod se eneentaen a intreecin de co Ita A ya ia b- Esta regia convencinal se emplea para tmplifce el copia de fécmules en a hoja de ‘ula ques uiliza pra generar i probalidad a ostein. Sila eglaconvenival prs a tabla de cota ‘= tviera que exmplr también e abla de probeidades posterot,a primera clam de In abn seria pi= mea flaenel paso 2 dvidda ene la sis de ss is; ln segunda column de ntl serfs fils ene ‘sso 2 divi ene la sma de sus fs, as sucesivamete- Seca dill evar a cabo exas operaciones enn foo paso on le myotede os programas de haa de ede, Gapitalo 10 Auvlisis de decstones wim Pare 3 Modelos probabilisticos ‘Re an {jsealentasae | 04, 07 «Prepaid dO uosaerzden dase adbn, DIO) ‘piste oa z Peas 0s Fete bab isitaor tay) 0968) 0138 ieewentodor O16 0398, 0.488 <-Probabiad de 0,90) <-Propmbiisd de 370} 9¥0 ‘PROBABLOADES A POSTERIOR ‘Eoete Daa Ientasor dare i esalonndor 388 ea e e is \ ss iS & "FIGURA 10.19 ‘Arbol de dcsiones con los resultados de a prueba Los resultados se muestran en la figucas 10.20 y 10.21 (la parte superior e inferior del érbol), Cos puntos més importantes se dan abajo: 1. Oprima Control para hacer aparecer el mend y seleccione “Nuevo rbot". (Nota: TreePlan no puede tener mis de un bol en una hoja de culo, ast que para este nuevo modelo crea- ‘mos una nueva hoja de eéleulo, Hamada “PROTDT2 XLS") 2, Haga clic en el nodo de decisin predeterminado y oprima Control, Seloceione "Cambiar & evento” y haga clic en Aceprar, 3, Enel nodo terminal, oprima Control y seleccione “Cambiar a decisién” con 3 ramas. Haga licen cepa “E_ Repita el paso 3 para el oro node terminal 5, Haga clic en ¢! nuevo nodo terminal en la punta del drbol, oprima Control y selecefone “Cambiar a evento” con dos ramas. Haga clic en Aceptat 6. Copie el nodo creado en el paso 5 en los otros 2 valores terminales mas cercanos a él (uti- lice los comandos Copiar subérbo! y Pegar subérbol de TreePlan, en vez de las herranien- tas normales Copiar y Pegar de Excel). 7. Una ver hecha la mitad superior del érbol(e1 Nodo'ly todo ala derecha en a figura 10.19), Porlemos copiarlo y pegerlo en el Novo Ill de manera efectiva.Capitulo 10) a5 ‘Analisis de decsiones re sliesor FIGURA 10.20 Mita superior del bol de decisones can nueva informacion T eae | FIGURA 10.21 Mitad inferior del abo! de decisiones con nueva infermacién476 Pare3 Estas figuras pueden utilizarse para determinar ls decisiones éptimas. Podemos ver que sila ‘Modelos probabilisicos prueba es Alentador, A (véase la figura 10.20), llegamos a la celda F22. Después, para maximi- zar el rendimiento esperado, debemos realizar la accidn A (TreePlan indiea esto con un “I” en Ta celde F22, lo cual significa que se debe tomar la printera rama); esto es, seguir la estrategia ‘agresiva de producciGn y mercadotecnia, De manera similar, i el resultado de la prueba es De- : salentador, D(véase la figura 10.21), debemos seguir In accisn C. zPor qué? Porque 11.81 ese] | —__________—rentimienioesperado mimo caando-e resultado de lo rusba-s Desalentador EL VALOR ESPERADO DE LA INFORMACION DE MUESTRA, ‘Suponga que utilzamos fas decisiones ptimas determinadas arriba para plegar un paso més el 4rbol de decisiones (que aparece en las figuras 10.20 y 10.21).La celda B37 (dela figure 10.21) ‘nos muestra que el rendimiento esperado en e] nada de evento iniial es de RE = 15.586(0.435) + 11.814(0.565) = 13.455 Este valores el rendimiento esperado de levar a cabo la prueba de mercado y tomar la decisién Sptima después de determinar los resultadas. Bn la seccién 10.6 vimos que si no se lleva @ cabo la prueba de mercado, la decisiGn épti- ma es seleccionar B, la estrategia bisica, y ue esta decisin tiene un rendimiento esperado de 12,85. Claramente,entonces, la realizacin de la prueba de mereado aurmenta el rendimiento es- perado de PROTRAC en $0.61 millones (=$13.46 millones — $12.85 millones). Aunque le prueba cle mercado no es totalmente confiabe, aun asi tiene cierto valor (de $0.61 millones, pa- a ser precisos). De manera bastante apropiads, a esta cantidad se le lama valor esperado de la informacion de muestra (VEIM). Bn términos generales mximo posible rmévximo posible rendimientoesperado| | rendimiento esperado VEIM= | con informacién | ~ | sin informacion nformacin informacién EI VEIM es wn limite superior en La cantidad que deberfamos estar dispuestos a pagar por esta informacién de muestra en particular, ‘Ahora calculemos el valor esperado de Ia informacién perfecta (VIEP). Recuerde de la sec- cidn 10.3 que ésta es la cantidad que la administracin debe estar dispuesta a pagar por informa- = eign perfect La tabla de reibuciones fue presentada originalmate ene figura 10.11, Si fuera seguro que el mereado ser fuerte, la adminisracion seleccionarfs la decisién A y disfratarfa un ‘endimiento de 30, De manera similar, si fuera seguro que el mercado serd debi, la administra- cidn seleccionatfa la decision C y obtendria un rendimiento de 15, zCudnto debe pager la admi == : —nistracién por informacidaperfecta? Dado que Ia informaciénperfecta revelard-que el‘mercedo™ fucite tiene una probablidad de 0.45 y el mercado débil una probabilidad de 0.55, vemos que ‘VEIP = (30)(0.45) + (15}(0.55) ~ 12.85 = 8,90 19.2) ‘La ecuaci6n (10.2) nos dice que la informacién perfecta nos dard un aumento esperado dé {88.90 millones sobre el rendimiento esperado anterior. Este es el méximo aumento posible en el rendimiento esperado que se puede obtener con nueve informacién. El valor esperado de la informacién de muestra es el incremento en el rendimiento esperado que se obtuvo con la infor- ‘macién producida en la prueba de mercado. Dado que VEIP=8.9 y VEIM =0.61, podemos ver que la prueba de mercado no es muy eficiente. Si lo fuera, el velor de VEIM sesfa mucho més cercuno al de centonces VEIM = VEIP. ~ LED DECISIONES SECUENCIALES: PROBAR 0 NO PROBAR En a seciGn precedente, upasimos que el conse diretvo habia decidido qu se dberia he cer un estudio de investigacién de mereados. Enionces consideraimos la pregunta de e¢mo de- bevia utilizar ia division de tractores domésticos de PROTRAC Ia informacién genereda por el TP. En olras palabras, conforme las probebilidades de una correctainformacin de -nwestra-aumoatan-VEIM-se-aproxime-® VIP. De hechoreuando-P¢ME)=-100-y-PRBIB' = 1:0, ————>' | estudio, para actualizar el modelo de decisi6n, Retrocedamos un momento. Parece claro que la ddecisiGn de mandar hacer un estudio de mercado es bésicamente similar ala decisin de adop- tar una u otra estrategias de mercadotecnia y produccién, La administracién debe considerar ‘cuidadosamente el costo de efectuar el estudio contra lz ganancin que podria resultar de tener le informacién que el estudio proporcionsria, Supanga que la prueba de mercado tended un costo.de.$500,000 (0. $0.5 millones) También es.claco.que.la.decisién.de-hacer-o.no-hacer ta pnieba de investigacidn de mercados no es una decisi6n aislada. Si se realiza fa prueba, la ad- ‘ministraci6n todavia deberéelegir entre una de les estrategias de mercadotecnia y produccién Por tanto el valor de efectuar Ia prueba depende parcialmente de cémo PROTRAC ulilice la informacién generada por la prueba, En otres palabras, el valor de una decisién iniial depende de una secuencia de decisiones y eventos inciestos que seguirén a la deci llama un modelo de decisién secuencia ANALISIS DE DECISIONES SECUENCIALES Este es un modelo de administacidn extremadamente comin, y en realidad es el tipo de situacién para el que estin disefiados los drboles de decisin, Bs en sitvaciones donde hay una cantidad, de decisiones y eventos interelacionados, con més de un resultado posible, donde la capaci dad de desplegar el modelo de manera gréfica es especialmente dtl, ‘Las figuras 10.22 y 10.23 muestran el rbol de probar-no probar. Bn términos de estructa- ry de las probabilidades, usted puede ver que la rama superior (prueba) es el érbol de las figu- a aa el = I Ge iat Gopitulo 10 Analisis de decisiones sso aee ees ees Pere Ea FIGURA 10.22 Mitad superior de bal de decisones can nueva informaciénPanes “Modelos probabilisticos ‘as 10.20 y 10.21, con valores terminales ligeramente modificados que representan el costo de Ja prueba de mercado, y la ama inferior (no prueba) ese! drbol de fa figura 10.15. Para hacer esto on TreePlan seguimos bdsicamente los mismos pasos que antes. Creanos una nueva hoja de célculo llamada “PROTDT3-XLS” para este nuevo modelo de decisi6n. Los puntos més imi- portantes se dan abajo: 11, Oprima Control para hacer aparecer el meng y seleccione “Nuevo frbo!”. 2, En el primer nodo terminal (a celda FS en la figura 10.23), oprima Control y seleccione “Cambiar a evento” con 2 ramas. Haga clic en Aceptat 3. Haga clic en el nuevo nodo terminal en 1a parte superior del érbol (la celda J30 en la figu- ra 10:22), oprima Control y seleccione “Cambiar a decisién” con 3 ramas. Haga clic en ‘Aceptar. 4. Copie el nodo creado en el paso 3 al nodo terminal (a celda J60 en la figura 10.22) més ceroano, (Utilice los comandos Copiar subarbol y Pegar subérbol de TreePlan, en vez de las hherramientas Copiar y Pegar normales de Excel.) ‘5. Para terminar la ited superior del rbot, haga clic en el nuevo nodo terminal que se en- cuentra en dicha parte (Ia celda N20 en le figura 10.22), oprima Contol, y seleccione “Cambiar @ evento” con 2ramas, Haga clic en Aceptar. {6 Copie el nodo creado en el paso 5 a os ottos cinco nodos terminals cercanos (celdas N30, N40, NSO, N60, N70). Esto completaré Ia parte superior del érbal. 7. Bntonces pod copiar el nodo de decisién con sus 3 ramas seguidas pot nodos de evento de 2 ramas (celda 130 0 160) al nodo en la mitad inferior del dro (celda FOO en Ta figura 10.23). EEEEREEEEEEASEEEEEE GEERERE eel FIGURA 10.23, Mitad inferior de bol de decisones con nueva informacion‘Los valores terminales ameriten cierto andisis. Se determinan en un proceso de dos pasos: 1, _Asigne et flujo de efectivo apropiado a cada decisién y evento incietto. Bneste modelo he- ‘mos supuesto que la prueba de mereado cuesta $500,000. Dado que todos los costs y endimien- tos estdn medidos en millones, se colocs una cifra de ~0.5 en la rama de la prueba (celda D46 en er tigure 10-237 y une rr ee err ram e irpreb (cera DOT we We NigOrA TO-237- De ma nera similar, se coloca una efia de 30 en la rama superior (Ia celda P19 en la figura 10.22), debi- cdo a que éstaes [a uilidad si PROTRAC selecciona A y el mereado es fuerte. 2, TreePlan determina los valores terminales sumando los flujas de efectivo en todas las ramas entre el primer nodo y la posiciéa terminal. Por ejemplo, el nsimero 29.5 en a posiciGn terminal superior (celda S18 en la figura 10.22) viene de afaic los costo de la trayectoria Pruebe-Alen- tador-Agresiva-Fuerte (es decir la suma de ~0.5 +0 +0 + 30=29.5), De nueva cuenta, TreePlan resuelve este érbol plegdndolo. Pliega un node circular (even: to) ealculando los rendimientos esperados. Piega un nodo cuadrado (decisi6n)seleccionando la decisi6n que da el rendimiento esperado mds elevado. La estrategia dprima es un plan completo para todo el érbol. specifica qué accién debe seguirse sin importa cul de los eventos inciertos acuriré. Para determina: la estrategia épti- mma para el frbol de prueba-sin prueba, nos remitimos a las figuras 10.22 y 10.23. Enel primer nodo de decisién (prueba-sin prueba), podemos ver que, dado que 12.96 > 12.85, PROTRAC deber‘a hacer Ja prusba de mercado, Si el resultado de I prueba es alentador (A), entonces 1a ‘campatia Agresiva (A) es la mejor decisién, ya que es la que da el mayor rendimiento espera- do (15.098). De manera similar, si el esultado de In prueba es desalentador (D), entonces la ccampafia Cautelosa (C) es la mejor decision (con un rendimiento esperado de 11 31). EL IMPACTO DE LAS UTILIDADES Es sencillo incorporarutilidades a un érbol de decisiones. Suponga que las utilidades de todas las retrbuciines posibles estén dads en la tabla 10.12 y fueron calculedas de manera similar 8 In mostrada en la seccin 10.4 Capitulo 10 Auiliss de decsiones 79 9s ost » 1.943 ws 2 0.962, a 0.963.FIGURA 10.24 Mitad superior de bol de prusba-sin prueba con las utildades incorporadas in ot ‘Una grfica de “utilidad contra retibucin” mostrarfa que PROTRAC es adversa al ries- g0-Por-ejeniplo-l-utilidad-edicional-de-inerementar-le-etribuciGn-de-20-a-30-es-de'sdlo 0,020(= 0.963 ~ 0.943), en tanto que la utilidad adicional de inerementat la retribucién de 5 1 15 ¢s de 0.205(= 0.914 ~ 0.708). Para incomporar las ilidades.a érbol de decisiones, todo lo que necesita hacer es.rempla 2a las retibuciones en las figuras 10.22 y 10.23 por sus utilidades y plegar el drbol como se hi- 20 anteriormente. Esto se hace en una nueva hoje de eéleulo (PROTDTA.XLS) y se muestra en las figuras 10.24 y 1025, Resulta que con estas uilidades la decisidn Sprima sigue siendo hacer la prueba. Sinem bargo, sila prueba es alentedore, se prefiere ahora la altemativa B sobre laA, porque tene una utldad esperada mayor (0.868 en eompareeiin con 0.711). A pesar de que la retribucién méxi- mae S293) ue La eB (STIS), Tae minima de Bres mayor que x de “(86.5 en comparaci6n con ~ $8.5). La combinacién de fe funcién de wlilidad de PROTRAC y las probabitidades a posteriori dadas ehore causa une utlidad esperada de B mayor que lade A, OTRAS CARACTERISTICAS DE TREEPLAN Sinusted hace clic en Ia earacteristica llamada “Opciones”, obtendr el siguiente cuadro ie dis Jogo (véase Ia figura 10.26), que muestra dos caracterfsticas adicionsles de TreePlan. Primero observe que TreePlan tiene una funcién de utlidad exponencial predeterminada. Para activarla, haga clic en “User funci6n de utlided exponencial”, y TreePlan tiizard una funcidn de utilidadTy =f eae] Capitule 10 aa Analisis de decsiones FIGURA 10.25 ita inerie dl bo de ruebe-sin psa con ls dads ineorporadas FIGURA 10.26 cuaco de didlo de opclones de TreePian adversa al riesgo para calcula la utlidad para los flujos de efectivo presentes de antemano en. 1 bol. La segunda caracteristia es que TreePlan utiliza un muétodo predeterminado de “Ma- ‘imizar la uid” para plegar el érbol (es decir, en un nodo de decisién escoge la rama con la ‘mayor etrbucién). Si usted quiere hacer un modelo de minimizacién de costos, deberé cambiar esto 8 “Miaimi "de tal forma que escoja fa rama con Ja menor relrbucién en los no- dos de decisi6n. También vale la pena mencionar que TreePlan tiene Ayuda en nea disponible para quien Ia aecesiteae artes Modelos probabilisticos Colda Forfa Coplese a a Gep+ose - BR = MAXC3I5) Wu2 3 bia S B = SUMAPRODUCTO(L3:M3,N3:03) 435, 38210, 1315 LB Bsi9 13M5 ce =pB = 18 = Bs20 iaMio RGvRA 1027... LB = BSS L3Mis Representacion en hoja dle a9 = 151 (G20=G1, “‘Proeba”, “Sin prueba") = cdlulo del ol de prueba G29 = MAXI) S sin prueba SENSIBILIDAD DE LA DECISION OPTIMA PARA LAS PROBABILIDADES A PRIORI Ya soa que se lilicen rendimientos en efectivo o utilidades en el Arbol de decisiones, es im- portante ver qué.tan sensible es la decisin Sptima ante los diversos valores de los paréme- ‘os. Por ejemplo, .qué ten sensible es la decisiOn dptima a la estimacién inicial de un merea~ do fuerte la probabilidad-o priori PE)? La hoja de cétculo que se-muesira.en Ja figura 10.27. (PROTDTS.XLS) seproduce el anslisis gréfico mostrado en las figuras 10.24 y 10.25. El pri- ‘met paso fite copiar la hoja de trabajo “Probabilidades" de PROTRACDT.XLS (véase figura, 10,17) a as celdas A1:820 (que no se muesiran aqui), El resto dela hoja de céleulo se observa en la figura 10.27. La ventaja principal de la formuilacién de la hoja de edleuto es la Facilidad ‘con que se pueden cambiar los pardmetros y recalculate! Arbol de manera efeciva, La grfica de la figura 10.28 fue generada variando el valor de P(F) entre 0 y 1, en incre mentos de 0.01. Esto se lleva a cabo facilmente en Excel, utlizando la herramienta Tabla de da- tos como sigue: 1L._En la cold A24, eseriba un valor iniial de 0. Haga clic en “Series en columnas” y eseriba un valor inicial de 0.01 y un valor final de 1.0 aga clic en Aceptar. Bn las celdas B23:C23 escriba los formulas para ls cantidades que queremos obtener (Uti- lida exp {Prueba} y Utilded exp [Sin prueba}) para cada mo de Tos valores de POF) que cesorbimos en [a columna A, Estas férmulas son =Gl e=112,respectivament, 5. Seleccione el érea A23:C124 y haga lic en Datos, después en Table, 6. Esetiba la cela de entrada de columna como BB y haga clic en Aceptat. grote de rae ver esrsidedespulden Feet Rellenury-parlisno-en-Series—Fae FIGURA 10.28 Utlidad esperade de prueba y sin prueba 7. Excel calculard automticamente los dos valores de wilidad esperada para valores de P(E) enue Oy 1 La linea continua en In figura 10.28 representa la uilidad esperada en la decisién Prueba, ‘mientras que Ia lives puntesda representa la utlidad esperada de la decisién de Sin prueba, Dondequiera que les dos lineas se crucen, cambia Ia decisi6n éptima, Dado que las curvas 86 ruzan cuatro veces (a pesar de que la dltima vez resulta diffell de ver porque las linens estén ‘muy juntas), Ia decisign 6ptima cambia cuatro veces: Sin pruebe. Prueba, Sin prueba, Prueba, Sin prueba. Prueba es la decisién dptima para valores de PCP) ene 0.29 y 0.50 (aproximada. mente) y entre 0.94 y 0.96. Sin peueba es Sptima para valores de P(P) ent O y 0.29, enue 0.5 0.94 y entre 0.96 QED AdninistRAcion v TeORIA DE LAS DECSIONES Una decision administrative tipica tiene las siguientes caractersticas: - = : 1. Sehace una, y solo una, vez (por ejemplo, ;debo 6 no debo comprar 100 acciones de Intel ________ HOY 2, Elrendimiento depende de un evento incierto que acustré en el futuro (por ejemplo, el pre- cio de las acciones dle Intel subisé o bajard), y no tenemos informacin historica acerca de este evento futiro, ‘Teneios conocimiento de eventos relacionados que pueden deciimos algo sobre la posibidad dle los diversos resultados (por ejemplo, el comportamniento del precio de fs acciones de Intel fa semana pasada o en las ltimas 52 semanas). Pero no podemas llevar a cabo un experimento que ‘nos proporeione una estimacién buena, confiable, de las probabilidades reales (por ejemplo, no ppodemos llevar ¢ cabo un experimento que nos diga el preci de ins aeciones de Intel la se prORI, {De que manera contribu el material de este capitulo a nuestra comprensiGn sobre emo enfientar este modelo? En forma breve, este capitulo secomienda el siguiente marco conceptual: 4. Pata cada decisiGn, determine Ia utilidad de cada resultado posible 2, Determine a probabilidad de cada resultado posible 3. Calcule Ia uilidad esperada de cada decisin, 4, Seleccione la decisin con la mayor utlidad esperada. Una vez que se completan fos primeros dos pasos, os siguientes dos son ficiles, por lo menos conceptualmente. Pero, jedmo puede usted saber las probabilidades y les wilidades? — 468La respuesta es que no hay valores a saber. No Son entidades cuyo valor “real” pueda ser reyelado por experimentaci6n o anélisisprofundo. De hecho, estas dos cantidades, probabilida- des y utilidades, son subjetivas y reptesentan el buen juicio y preferencias del administrador, De ‘segaro Ja evaluacién por parte del administrador de estas dos cantidades puede ser influenciada pporel estudio, pero no hay oportunidad de hacer un experimento directo con los fenGmenos sub- yyacentes, como To habria, por ejemplo, en Tas cienciasfisicas o biolégica. Hay-sinvembargovuna-esiruetuse-ala cual aferrarse en.este-marde subjetividad-Laestruce— ‘uta es proporcionada por un dispositive I6gico llamado loter(a equivalente. Este conceplo le da. uno un marco consistente para euantficar tanto probabilidades como wtilidades. Vimos en In seecién 104 e6mo puede un administrador utilizar una Joterfa equivalente para crear una Funein de utlida. we Pare’ Modelos probabilisticos COMO VALORAR PROBABILIDADES SUBJETIVAS El administrador puede utilizar este método para valorar una probabilidad subjetiva. Suponge, por ejemplo, que en estas fechas usted desea valorar la probabilidad de que Colin Powell sea cl candidato republicano a la presidencia en el 2000. BI primer paso es pensar en dos juegos. Enel juego 1 usted recibe $100 si Powell es el candidato y $0 si no lo es. En el juego 2 usted recibe $100 con la probabilidad p y $0 con probabitidad de 1 — p. Ahora usted ajusta el valor de p hasta que le sean indiferentes los dos juegos. El valor resultante de p es su probabilidad subjetiva de que Powell sea el candidato republicano en el 2000. Esté muy claro que su esti- ‘macién de las oportunidades de Powell puede diferir de la estimacién de Colin Powell o pare el caso de cualquier otro Hemos mencionsdo que Ia loteria equivalents le permite a uno cuantficar tanto la proba- bilidad como la uilided subjetiva, Ahora gueremos subrayar que los valores obtenidos através de este proceso son personales y sujetos a juito, y por anto, por definiciOn, variarén de una petsona a otra, Por supuesto que entonces dos individuos, ambos enfrentindose a la misma de cisign y uilizando el método recomendado, pueden Ilegar a decisiones diferentes. ;¥ por qué no? El método recomendado permite al administrador incorporar conocimientos (y experien- cia) personales, yciertamente no hay raadn para creer que todos “sabrin” las mismas cosas en cel momento de la decisién. ‘Sin embargo, un cinico podria preguntar: “{Para qué molestarse con todo este meca- nismo?” Si el juicio y el gusto juegan un papel tan importante en estas estimaciones, ;n0 es ‘mejor wilizar el juicio en un método holfstico y seleccionar simplemente Ia alternative que intutivamente parezca ser la mejor? ;Qué ganamos a] estimar la probabilidad y la utilidad i separdamente? La respuesta es que separar los dos juicios permite al administrador con- ‘centrar su atencién en cade vina de estas entidades (probabilidad y utilidad), una a la vez EI problema de un método intuitive simple es que a los humanos se nos dificulta pensar en mds de una cosa a la vez. Si se esté pensando en retribuciones, es dificil estar considerando al mismo tiempo posibilidades y después combinarlas en In propia eabeza. En otras pala brs, cou al migtodo sie e intuitive es muy fécitenfatizar en exceso um resultado particular mente malo (o wn resultado particularmente atrsctive), y no tomar en cuenta et hecho que este resullado es en extrema improbable. Como ejemplo, piense en el nmero de personas que no viajan en avin, sino que lo hacen en automévil, a pesar de que la probabilidad mori en un aceidente de automdvil es mucho mayor que la de morir en un accidente aéreo. (Probableiente, est influenciados por la creencia de que pueden sobrevivir a un accidente de automdvil, en tanto que seria improbable que sobrevivieran a un accidente aéreo.) Al se~ para’ los juicios de probabilidad y wtilidad se obliga al administrador a dar una considera- cidn apropiada e independiente a cada uno, antes de combinarlos para determinar la decision final. La revalucién en Ja compatacisn personal y la explosién de software que la acompatia ha ‘enido su-impucto-en el andlisis de as-decisiones-Hlace-1O.afios, os-programas.de.anélisis.e. lecisiones-parcruse-gererade los proveecores de sofware norestaban-eomesvisimense-dispo-————— nibles. Algunas compaffes erearon programas para sus propios fines, pero no estaban disponi- bes para el piblico en general. Hemos demostrado en este capitulo el uso de un complemento de hoja de célculo muy popular, TreePlan, y también sefialamos que existen otros paquetes de complemento para hojas de céleulo disponibles en e1 mercado (PrecisionTree de Palisade), asi ‘como paquetes individusles de saftware (DPL de Applied Decision Analysis, DATA, Arborist, Riskeale y Supertree). Muchos de estos paquetes incluyen tambign la caracteristica de trazar dia _gramas de influencia, que ayudan al administradar a estructurarCodas Ja variables incluidas en €l modelo, identificando cusles varisbles inluyen en las otras.QED wots soene 1a aruicacion Capitulo 0 485 ‘ss de dedrones Ralph Keeney, un connoiado estiso de este tema (véase Keeney y Rell; Keeney (B), define of andlisis de decisiones como “una frmolizacién del sentido comitn para modelos de deisiSn demasiado complejo para el uso informal del seaido comin’, El andlisis de decisiones, que se besrerraxiomas enunetados orig iimee por JOIN VOR NEUMAN OST Morgen cluye In asgnacién de probabilidades y ulilidades a vesullados posibes y la maximniznciGn de ; le uti esperada, Este enfoque se aplica a madelas de gran compleidad que sn ipiamen- te secuencals. Se puede consierar que consa de culo partes: (1) estucturacin del mode- lo, ©) evaluscién ojuicio sobre las probabilidades de fos resultados posibles, (3) detecming. inde a wilidad de Ios resultados posibes y (4 evaluacign de las aterativas yseleceldn de ‘na stategi, La mayor pate del material de ese capitulo se refee al clemento (1, progesotéenico de evalucign de Ins altemativasy selecciGn de uns estraegia. Esto resulta apropiado, ya que éste ex el coraz6n conceptual del andlisis de decisions. En la preticn, sin enibago, ea est pace fil del modelo. Una pate significatvatnente mayor del esfezo se invierte en las otas tres sites, La estrctraein del modelo, que ince genera alternatives yespeciicr objet ‘os en trminos numeicos medibles, es una trea paicularmente no estrvetuada, En algunas aplicaciones det mundo real se han cuantifiendo objetivos en las reas de Impacto ambiental, seguridad, salud piblica, etter. EL PAPEL QUE JUEGA EL JUICIO PERSONAL Es inportatecomprener que el anlisis de decisiones no proporeiona un andiss totalmente ob- Jetivo de modelos complicados, Muchos aspect del andlisis de decisiones requieren de juiio personal (ya sea estrcturando el modelo, estimando probabildades o asignando utlidades) En muchos modelos complejos importantes simplemente no hay suficientes datos empiricos «que sirvan de base para un anélsis completo. A pesar de todo, a expetiencia ha demostrado que €l marco proporcionade por el andlisis de decsiones ha eesultado i. Cierto, hay muchos fac- torescualitavos y no objetivos involucrados en cualquier toma de decisiones, pero el papel principal del anisis de decisiones consiste en hacerlo coherente, 20 slo “objetivo” y lie de cualquier juieio subjetivo, Hay sitio para ciertasubjeivida, pero no debe depender de cémo se “siento” usted en ese momento, En los primeros ails de In éécada de los sesenta se empez6 a aplicarexitosamente el andlisis de decisiones a cierto nmezo de modetos en el sector privado, Estos inclufan moder ———. los de exploraci6n petrolera, asi como de inversiones de capital. Apesar de que el desarvo. lio ha continuad en modetos del sector privado, alas dos dees generales de modelos han preseuciado un gran variedad de aplicaciones del anlisis dle decisiones. En el campo del Cuidado de I salud, el andlisis de decisiones ha sido aplicado a modelos tan diferentes como - 17 > Ta valiacién de nuevos farmacos, el andlisis de estategias para el tratamiento de les enfer- e imedades, y la seleccin de tecnologia médica paras. instlaciSn en partiealas-Lo segunda frea ce modelado corresponde alas aplicaciones en el gobierno. En particular, el andlisis de decisiones ha sido aplicado en todos los aspectos, desde el origen de ls huracanes, pasando Por la negociacin de estfndates internacionales para buques tangue petroleros, hasta la elec~ cid ene le teenologta del carbén 0 le nuclear pata plantas de energiaelétrica a gran esca: \ la (Keeney-A). ' ‘Una observaci6n fina: podemos ver que los zboles de decisones pueden hacerse bastan- te grandes y engoxtosos conforme el nero de alternatvas de decision o estos de Ia nai raleza aleaiorios se multipica ® 3a 5 decisiones o eventos aleatorios por nodo). En modelos ' de devisin donde ta caida lega« ser muy grande, quiza teagamos que hacer suposiciones Fj —implificantes de-los resultados posiblescotimitarelnémero-dealtemativas de decisiomirevae— | | i | | | ton, si desERMTOS COMTMUAT COU eT AMATISTS Ge Uecisiones, Por ejeniplo, considere el resultado aleatorio de una demands legal o Ia demanda aleatoria de un producto (uno puede darse cuen- ta fécilmente de que bay una escala continua de resultados posible (es decir, un nsmero ini- aito}) y que serfa totalmente imposible modelar de una manera clara lo anterior en forma de 4rbol de decisiones. Hay dos opciones principales para manejar una situacién como ésta: (1) aproximar los resultados continuos utilizando e enfoque Peseson-Tukey (se utilizan 3 ramias que representan 0.05 , 0.5 y 0.95 cuamtiles con coeficientes de ponderacién “6ptimos” de 0185, 0.63 y 0.185, respectivamente] para aproximarse al niimero infinito de posibilidades), ©) utilizar Ie técnica de simulacién Monte Carlo que se presenta en el capitulo Ll y est sefiada para manejar distribuciones de probabilidad de naturaleza continua,a6 Parte 3 ‘Modelos probabilisticos ED resumen La primera parte de este capitulo se ocupé de los fundamentos de la teoria de decisiones. Se bi- 2p on resumen de ese material en la seccién 10.5. Las siguientes cuatro secciones del capitulo descibieron el papel de los érboles de decisio- nes para failitarel proceso de decisién. Un dol de decisiones es un dspositivo gréfco para stacaran-modelo enctcval-sedeben omardecisiones souenciales,y esas devisionesestin.e ‘cemezcladas con eventos que tienen varios resultados posibles. Es una regla convencional co- ‘iin que 6 uilieen nodos cundrados para representar los devisiones y se usen nodos eireulares para representar Jos eventos. Las ranas provenientes de un nodo cuadrado son las decisiones posibles y ls amas provenientes de un nodo circular son Ios resultados posibles. Cuando un {abo de decisiones esta completo, una trayectora desde el principio de! rbol haste un nodo terminal representa un secuencia de decisiones y de eventos inciertos especificos. El érbol completo represen (odas estas posibes secuencas. ‘La esolucin de un étbol de decisiones es un proceso secuencial ue comienza en ts nods de decision y va hacia atrs hace el principio del rol en un proceso conocido como “plegar”. El proceso incluye dos pasos: as ramnas proveaientes de un nodo circular se pliegn asignanco ai noo el valor eperad dels eventos incertos, y la ramas que provienen de un uodo de decision se pliegan seleceionando la silerativa con el reniziento esperado méximo yasignando este lor al nado de decisin, Este “plegado” ha sco en gran parte automatizado medisnte el uso de complementos de hoja de cfleio como TrePlan. La solucin de! tbol de detisones proporcio- na gh estrategia 6ptima; esto, define Is secuencia de acciones que deberta adoptarse para cual- auiera de las secuencies posibles de eventos sears. El teorema de Bayes juega un papel importante en laelaboracin de drboles de decisio- nes, porque ése es el dispositive que hace posible la incarporaci6n de nueva informacién al proceso de decisin de una manera formal. Este ceorema estd basado en el concepto dela pro- babilidad condiciona, y por lo tanto se dedicd un espacio a este tema general El valor esperado de Ia informacin de muestra es una medida de valor para incorporar informacign de muesta en una decisi6n bajo condiciones de incertidumbre. Bl valor esper do de Is informacion perfecta es un limite suprios del valor esperado de la informacion de muestra, ‘Adverso al rlesgo. La poferencia evita esges hacia absj,refejadsprecisament en una fenci6n de tdad “Tirol ae decisions. Dsposive gfien para el ansis de deisones bajo riesgo, : ———_—!__Arepentimientn.ingedadeobien quad heberachan gen fa a disins nella ecastng= cdo el esi dea ntraleza el este de operunidd deco vomar li mejor decisin para un estado de ans turleza dad). Critrio enfoque masimax. Un criteria de dcisién optimist pra mexinizar el endimiento méxim Grier wenfoqve maximin. Un enti de dein conserva para mxinieat lenient maine. Deeisiones bajo cartidumbe, Una decisis conta la naturaleza etl cun el estado de a misma se e2noce con "Desisones bajo incertidumbre. Uae dcisén con a naturaeza en lacus no existen conocnientos sabre as osbildades de los cvs estos de la ntraeza. Decisones bajo riesgo. Una decisién conta la naturales en ltl se conoce lt sein de probtildades elas esindos dela natwaeza warren a ego. Serve ua Ta eR {oteriaequlvalente. Un disposi para evar felons de lid “Movlla de decisinseenencal, Un modelo en cl el el vor de deisign nicil depend de decisions sub- seventy evetos incites. [ado relat Ihica un evento no detente en un olde dectsiones ‘Nado evadrado, Punto en el cule debe tomer una desi en lo diagramus de doles de deisons. Nado terminal. Nodo ene! set de decisines a es ne siguen eo noo Peril deresgo. En uns decisin dada el pil questa todos ls resliades posible on ss probabiliddesas0- lod esto por lo genecal en ur formao gris. Plegnr Bl proceso de resolucida de un dbo de decisions exleulando hacia atsI nal de ua rma provenente de un nodo tei Probnbilidad a posterior. Una probabilidod sealed, La actalzacién combins Is probable a pir 1 la nueva informaciénuilzando el teorema de Bayes, Probabilidad a priori. Los valores evalaos originate para as probabilidades Probabilidad condiclonal. La probabil de un event dignmes 2) dago au oto event (aganos A) cea seieesensumedionte PS). defini. coma PBA) = PB: AVA) — Propens al riesgo. La preferenci a rendinientos hacin aia, relejade de mares lind convene. ‘Ramas. Las lineasprovenients de nado en ua dbol de decisions, “Tabla de reteibuciones. Es ua aba que mest los rendinientos pare eae wna de os combinaciones posibles estado dela naturaezs-decisién en una dees coal trae, Uilidad. En ex eapiul, uns medida del “aspect mraciva” qe un resulta tie pare un individ, Valor esperado de In informaciin de muestra (VEIM). La diferencia ene el rein do m0 pase con y ain nformaeign de mies, Valor esperado de a informacion perfectaCVEIP). Un lite eupeior del vlor de a nueva informa, ‘aloe terminal. £1 renimient nto asociado eo un psi ei Capitulo 10 a7 Aniliss de decsiones precisa en una func de Eee Pie Verdauero-Falso A. V_ F Los drboles de decisis imple slonesy resulados alestorios, V_ F En la teoria de decisiones, los rendimientos depen den de las aceiones de un adverserioiniferente llamado naturales 3. V_F Unode los aspectossubyacentts dela eorfa de Je de cisiones es que, independientemente de lo que supongemos respecio ala naturalezaentérminos de si conocemos la pro- bubilidades de Jo diferentes estadosalestotos, panos at VF Una manera de trata tna de devisiones en el contexto de “incertidumire” 8 tata nd fs estos dela rnaturaeza com igualmenteposibls y mxmzar el rend miento esperado, 6 V_ F Eledieulo del valde la informacisin petocta se bas en el concepio de que toda la sleatriedd a sido elimina, 7. VF Lamaximiancién dl redinient neo espera en délares siempre leva ala msnia poten Spina que fa ni ‘mizacin del arepentnieno esperado, 8._V__F Una funign de uid avers riesgo ex conver, mismo extrio para sleccions Ia “mejordeisia’ 9. V_ F Los iboles de decisiones se sesuel¥en plegand hacia 4. VF Muchos modelos de optimizacign detesministicos elante eden consderarse come decsiones tomadas bajo cert 10._V__F. Elteorema de Bayes proporeona wa fra sabre dlumire, donde slo hay vn estado de Ia naturtenay uno se ‘mo ular nueva informacisn para stualizar una esto Jecciona la decisién que masimice los rendilentos, cin de probabilida a prion Opcion miitiple AL Luteora de devisiones se ocupa de 14, Bl endimiento mexiin, e rendimiento maxima y el are- 2, In cantdad de informacién disponible entimiento minimax son eiterios que ‘bs riterios para medi a "bonds de una design ‘2 leva ala misma deisin dina > seleccionar las decsioneséptimas en modelos secuer 1b” pueden uilizarse sin probablidades eiales € fanteacomob 4. tod0 fo anterior 415, Bl valocesperado de a informacisn perfects (VEIP) 12, Hiblando de decisiones bajo riesgo, eu de los siguientes ‘a colocalinitesdobles (superior e inferior) sabre cudnto snunciados noes verdadero? fe debe pagar para reuni informacion : ‘2. Suponemos que quien toms la deeisén conoce Ie probe 1b puede detemainarse sin llzarprobabilidades bilidad de que cada estado de a neturaleza.oeuirs <6 Seefierel-ldal dla informei.adicionsl b-—Uviizanowebvteriede-nasinizarebrendinienlo— —————d-—ee gua-aarrepentinontesporado te lecisigi-pe>——— © Usilizamos el riterio de maximizarel rendimiento ma bajo riesgo espera 16, Bl concepio de uilidad es una manere do 4 Uilizamos el eitero de minnie el aepentinieno a. medi el aspectoatacive del dlinero espera. Jb tomaren eueatala aversion al esgo 13, {Cul de los siguientes criteios noes aplicable en decisones tomar en cuenta I inclinacién al riesgo bajo incetidumbre? @ tantoacomod 1. endimienio maxima © abye 1. rendimiento maximex A7. {Cutl de lo siguientes enuncedos noes aplcable aun ébol ._srepentimiento minimax ‘e decsiones? 4 maxizwzacin del rendimientoesperadoUn nodo cusdrado evn pun en el cul se debe tomer 19, Cuando calcul el valor espero de la informacii perf. tun deisin, ‘w (VEIP). es importante que el pig se haga Uno odo circular presenta un encuentro com ia incer a, antes de recibir In informacion tidunbre 1b despues de ecbir In inormacign ‘Uno escoge nna secuscia de decisiones que tenga le © demanersivevocable mayor proailidad de éxito iano comoe 44. Unoiintcnta maximivar el redimientoexperad, 20, Cuando las decisiones se oman secuencilmenteen el emp hv esperakrde-tinformacim perfects {VEIP)———————a- 9 PORUEM EMITS 1ST AMES TE TET ‘A mmesta el costo neeesiio para produc informacn Bsedebe liza el teorema de Bayes perfec solve el futuro el valortenninal al inl de cade secuencin de rains es 1h moesta el aumento méximo posible en el rendimienta ‘un Maj defective neto esperado con informacion de mestra 4. el valor (erminal al final de cada seevenci de ramas es {sefaln el aumento esperado en Is informcignrequerida el uj de efetivoesperada pa sleccioar la decsin Spine 4. odo anterior Respuestas Lv oF ud 16 e 2 nv Db We 3 a P Ba Bb ay oF Mb wd 5 Vv wv Ba 2c 10-1, Observe la tela de retibaciones 10.13, en la cual las entradas estn en rendimientosnetos en ci lores. Suponga que éta es una deisin sin ningtin conccimienta dels estas dela natilez. (a). 2Cules ls decisin dpa, ie uian el entero de Laplace? () (Cul es la decsisn dps si se wiliza el erterio maximin? (©) {Cufles ia decision dprima si se uiiza el entero maxima? (@)__Genere una sha de retibuciones en Ia cual as elradas sean de arepentimiento, () {Cuil es la decision cima si se liza el rterin de arepentimientominimex? ESTADO DE Ut NATURALEZA 2 3 2 25 25 20 5 25 2 4 20 25 TO-2-— ONSETVE TTT TE TETATSONES TOTS, oT Cl Tas EMTS Gon Fae Neos on GBT es, Suponga que és es una decisidn sin conocimienta de lo estas 6 la nturalezs. (a) {Cudles a decisién 6ptima sis utiliza el enterio de Laplace? (b) (Cus es la decision dpsina si se miliza el enterio maximin? (©) {Cull esta decision dpm si se liza el riteio meximax? (@) Genere un wba ce retibuciones en fa cual ls entradas sean de erepentimiento (e) {Cuil esa decisiénépxima sie lliza el riterio de anepentimiento minima? 8Capitulo 10 488 Andlisis de declsiones 10.3, Observe otra ver ln aba de retbuciones 10.13, uponga que se especifican las siguientes pro- babilidades par los estads de nature: PCL) = 0.1, P(2) = 0.4, PQ) = 0.3, Pd) (a) Encuente la decision que maximiceelrendimiento neta espero en dlares. (b) _Bncuente ia design que xiniice el serepentiientoesperedo (o)_ Haga un comentario sobre larelacgn ete Ins respuestas de los inciss ()y %+ 104, Considere una vez mds a blade retibuciones 10,14. Suponga que se asignan probabildades & Jos estados de a natralera como sigue 03, 02 > ou a) _hcuentre ta decision que maximice el rendimientoneto en dares. () Enewenie la deisin que minimice el arepentinentoesperado (©) Suponga que no se concen U1) y PC), pet se esina que P(3) es 0.1. Trace el ren Inienlo net en délares en funci6a de P(2) paca las tes decisiones en a misma gre, y encuentre el rango de P(2} parse eval cada decisin esl Sime, (@) Trace en une iisma gréfica el arepentimiento espera en funcion de P2) para las tes Aecisiones, yencuente el rango de P) para la eval cai decisis a pti 4e) {Qué foe lo que encortr en la dos respiestas de ariba? 3048, Phil Johnson, de Johnsons Printing en Chicago, debe decidir si acepta un contrato de trabajo de impresién par el gobierno o volar aLos Angele para patcipr en a lctacion para wn fll. Restrcciones en la capacidad le inden realizar los dos trabajos, iene que desi sobre el conttato del gobiemo antes de camenza el proceso de icitaci, El estima la tabla de reribeio- es en érmios del endiiena aetoen dares, como se muestra en la abla 10-15, Wo obtener et Obtener urbsj dl let trabajo del alto, Decision ci Acepuar el contrto 000 tooo del gobiemo, G Aceptarel abajo | = 1000 4000 eet flleto,F a ay (2) {Cues ta decision dina baséndose en el criterio maxinin? (b) Sila probabiidad de obvenes et trabajo del follato es de 1/3, eu decisién maxiiears su readlimiento eto esperad en dleres? (6) Haga que PCT sea la probabilidad de obtener e trabajo del Flleto, Trace el renimiento experado para cada deesi6n como Funcién de PCT) en el mismo ej. (@ {Cuil esal valor ms pequeto de PCT) para e que Phil Johnson debe decidir Los An- {eles si cesea maximizar su endiniento nto esperado en dolar? (©) {Cues la decision ptima,siel ererio de decision ese de arepentimtentominimex?00 Parte NT Modelos probabilisicos ESTADO DE LA NATURALEZA ecision Fe resco ideale Pequetio. ° 1000 2000 3000 - — | oediano| —__=1000— 0 30006000} Gande =3000 = 1000 400 3000. Uitigad | 098 a3. os7 os o7e 073 0.85, a a Figura 10.28 ~iow|-atao 0" 206 | Some 6000 som Fede oatane - Func detded shoo #800 300 (® {Cus es la decision doris, se riteio de deisin es el de minimizar el erepentimiento esperado y PCT) = 1/37 G@ Suponga que ei agente de compras del abajo del flleta ya ha decid a quign oe Te ad- Jdicaré la iitaci, pero Phil no sabe e resultado. Si Phil piensa que PCT) = 13, ceusl «5 Ia caniided maxima que Phil dberta pagar para obtener esta infrmacig? (i) _{Céimo Vamarfausied sl caida ealeuada ene incso (3)? ~*~ we 10-6: Un proveedr de souvenirs descubce qu las ventas en jolis dependents Gl eis Las ro Actos deben ondenars en enero. El mayorisaofrece paguetes srtides pequeis, medianos'y ‘Baa ECO eNpeciales, Ve] proveeUot debe deccir a conipra de un de ells. La tala (0.16 muestra as reibucionesentérrsinos de rendmenta neta en dares. La funcin de stl dad del dinero se presents en la figura 10.29. $i el proveedor eee que tados fos estacos de la n- Turaleza son igualmente posible, (@) qué decisidn maximiza el rendimiento neo esperido en délares? () (qué decisién maximize la ulidad esperade? (6) Explique le elaién entre las respuesas als incsos (a) y(). + 10:7. Phil Johnson de Johnson's Printing (véate el problema 10-5) ha decide usar la funcin de wii dad que se muestra en la figura 10.29 para determina si deerd hacer une oferta pa el trabejo del foleto. Z (0) Cui es decisin.dprima sich teri-dedecisién x-maximizacel rendimiento-neo-ese | revere yi probate debra ante ReneS Ue 137 [CaaT es? —————> ‘endimiento netoexperado en délars de a decisicn Spina? (b) sperm usted que cambie a decisén si se ulin ol rtria de decisién de maximizat I uilidad esprada? Anclice su respuesta, (@)Cudles i ulidad espera dela decsin 6pxima? ‘| (@) {Cuil ia sided esperada del sendimieno esprado en dlares al presetar unx oferta para el flleto? (©) Cuil es la itdad esperada de presenta una ofert pare el flleto? (Som iguales as respuesas a ls incisos (cy (e)? {Debian seo?| —————los han penucisa de os repesentantes de Serub Side los administrador de eiicios. Asigne una uttidad de 0 @ un uj de efetivoneto de $20,000 y una wilidad de 1m un Myo de efetivo eto ce $30,000. Consyasu propia funcida de wlldad siguiendo los siguientes pasos: (a) Encueate loterias equivalents para hyjos de efecivo netos de $0 y $20,000. (b) Trae os cuatro punto en su funcién de uilidad, y conéctelos con lineas tes, (@) Basindoseen esta fncin de uilidad, es usted avers al esgo,propenso al riesgo, i= Capitulo 10 ai Anéliss de decsiones iferente a iesgo.9 nade oanttie? ‘Suponge que es adverso al riesgo y haasignado Tos siguientes extremos a su uncion de wilidad U-30) U0) = 1 (8) {Cull es limite inferior en UGOY? ‘Suponga que usted es inilereate ante un pago seguro de 30 y una Joleria con na probahildad {07 de ganar 70 con una probabilid de 0.3 de perder 30 (0) {Cust esl timite inferior en su uilidad para un pago seguro de 50? (6) Cust esl limite inferior mis pequeto en se tld para un pago seguro de 107 Ssuoerencta: Recverde que una funcin de uilida es no derecientey, i quien tonva la deci- sin es adver al resgo, entones Ia funcién es eSncevn. ‘Suponga que ha asignado fs siguientes dos extemos sfc de wii U-30) = 0 UT) = 1 Suponga gue usted es indiferente entre un pago seguro de 30 y una loterfa on una probe bilidnd de 0:3 de ganar 70 con una probabilidad de 0.7 de perder 30, Ademés, used siente que ‘un pago seguro de 10 es equivaente «una apueste con uns probabilidad de (19 de pender 30 y unt probabildad de 01 de gar 30 (a) {Céni desribiia su funcin de wilidad? {Bs usted “propenso al riesgo"? (©) {les son los limites superioreseinferiores en ULSQ)? (6) _Cusles son los mites superioneseinerioces en UC25)? El gerente de servicios al cliene de PROTRAC es responsable de acelerar los pedo retasados. Pare reafzar el trabajo de manera efective, cuando un pedio lege tarde el gerente debe deer- miner si a tdanza Cue eausads por un eor en el pedo o un eroren Ie enregs. Si un pedo «st atrasado, debe haber ocurido uno w otro de estos dos tpas de enotes.Debido ala maners en lacual est isefiado este sisiema, no pueden ocurit los dos erores en us rise pedo, Por !vexperincia el gerente sabe que un ertor en el pedido provocaré que ocho de ends 20 peidos Seentreguen ade, mientras que un error en la entrega haré que ocho de eda 10 peidos se en- lueguestarde-Histrieamente;de-,000 pedidos; ha ecurido-30eroces ee pedo y 10 etro= ~~~ res en la entega. Suponga que un pedidoesté lraado, Sie] gerente de servicios al cliente desee ‘buscar primero el ipo de error que tiene la mayor probebildad de ceuei eeréun errr de p= ido oun exor de enrega? a Scrub Professional Cleaning Service recibe coneaios preliminaes de ventas dle dos fuentes: (1) 7 - sus propios representantes y (2) los administradores de eficis, Hstrcamente, 1/4 de fs con- Desaortunadamente, no todos fos contratos preliminars termina en contratos de vent rea- les. En cealidad, slo 3/8 de esos cntratos preliminares que se reciben de adsinistedores de ealficiosresultanen une venta, en tanto que 7/8 de aquellos que reciben [os representantes ‘de Ser terinat en a vena’ Bl iin setae Serub por un va es de $1,000. El costo de procear y dar seguimieato aun contvato preliminge que no terming en venta es de $150, (a) Cust es a probabilidad de gue un contratapreliminar termine en una venta? {Cul eso} ‘enclnientoesperadoasociado con un conrato de veatapreliminar? (6) {Cus de as partes (los representantes 9 los sdminisiradores de elificios)contrbuye mis sl rendimiento esperado? = SE ‘10-13. La Clyde's Coal Company vende carbdn en carga de m ‘ventas esllantes de coatrtospreliminares oben por ls agentes de Serb y ofr para 1 {ns ventas resultantes de contratos preliminates enviados por los sdministradores de ediicios | ‘Serub sabe que of Joves tiene uno de sus contstos de Vents, y desea ener més informacibn i sobre | (9 {En qué archivo debe buser primero para tener la mayor probablided de encontrar su | nombre? oneada, una tnelada, 0 dos tone- i Jndss. Exist una probablidd de 0.20 de que él pedo provenga del pueblo A, 0.30 de gue rovenga del pueblo B y 0.50 de que sea de! pueblo C. La Frecuencia relativa del minero de ' Dedidos de cada tama y de cada pueblo aparece en la able 10.17,Pucsio (a) {Cuil es a probabiidad de que un pedo sea de media roneada? (b) Sim pei es de mei tonelada, geuil es a probabiidad de que provenga de pueblo fa (€) Cys nbtene na wilidad diferente en cada ipa de carge de carbiny en ena cial. Las cia det rita aparecen en la tabla 10.18. Encuente la wilidad espersde por enrga para Clyde, Pueoio A 100 190 370 B 0 200 360 € nm 130 270 10-14. 1 Dog and Pony Show de Walter es programado para su presentacidn en Cedar Repids el 10 de julio. La witidad que abtengan depende en gran medida del clima, En particular, sl clina es llvioso, el espectéculo pierde $15,000 y si es consol, el espectéulo abtiene una utile de | $510,000. (Suponemes que todos los dit sn lavisos o soleados ) Waller puede decidir cance. lare espectéuto, pero slo hace, perder el depsio de $1,000 que hizo cuando ecep la fe cha, Los regis histricos muestra que en julio 10 lovie 114 de fs veces que liovid en los —thimas 100 snes, —— () {Qué decision deber tomar Wale para maximizar su vendimieno nto espera en dlares? (b) {Cuil es el valor esperade dela informacin perecia? 10-15. Considere ef modelo que enfrenta Walter ene problemi 10-14. Walter tiene la opcig de com pir un pronésico de Victor's Weather Wonder La exactitud del Vicior’s vara, En aguelas ations en que Ha Novido, ha cerado (es deci, pedi lava) el 90% de las veces. Par ovo Talo, cuando ha habia so, ha esiad acertado (es deci, pedo sl) ssl e 8% de las veces — Ta) SiWallertviers el prondstico, qué estraegiadeberfa segir para mosimiza sv rend Imienconetoesperada en dares? (b) {Cuno deberia estar cspuesto a pagar Walter por el pronSstco? 10-16.. Un aposiaor tiene la opotunia de jugar et siguiente juego en dos etopasen le etapa | €l ge '5.y saca una bole al wzar de una ura, que coniene 5 bolas blancasy 5 oj. Las bolas son idntieas, excepto pore cle. El jagadoe puede ahora retrarse 0 pasar la etapa 2, con un costo {de $10 dicionaes. En in etapa 2, si scé una bata lanes en la etapa I, el jogadorsaca una bola | al azar de una ura blanea con 2 bolas azules y 8 verdes. Si en la eapa 1 sac una boa roi, el jgador saca una boa sl azar de una ura roja que coniene 6 boas azues y verdes. Sien la | a2 jogadorsaca un bola azul [a casa le paga $35. Si sa ina bola verde, a asa le pga | 80 ico rbot de dcisines pre determina reser opin pare agBoe = 1 7-—Crer Tr We WeNTaT a MEMUTCD Cvs Tas wailrantes de ereaio e dos categoria, Tesgoe i ‘alos y iesgos buenos. Las esaciseas indian que, seg los esndares ce i ima, el 10% i dela poblacién sera clasificads como vn riesgo malo. La empress ubliza wa mecanisino de lasificacin de viesgo para decidir si se debe conceder el ert aun solicitante- La expeien= i cia sugiere que si un riesgo bueno soliciaeréit, el erito se le otorgaré 90% de las veces. Si solicits eréito un riesgo malo, ele otorgaré crédito 20% de las veces. La administraciGn ere i {ue es razonable suponer que las personas que solcitan erédito se seleccionan al azar dena de la poblacién, ,Cusl es a probabilidad de que @ una persona ala que se le otorgue el evita r= sulle ser un mal iesyo? (Utlice el eorema de Bayes)10-18. Tres tabyjadores producen cient componente ala misma velocidad, Lary hace 3 pezasdelee- twosas de 100 en promediv, mientras que Moe y Curly promedian 6 y 9 piezas defeetuoses de cada 100, respeetivamente (a) ;Cuitas piezas defectosas experaria usted |,000 produces? (b) (Cules ta probabitidd de que une pieza defectuesaSeleceionads al ze fvern prxluida por Curly? 0-15. Tohnson’s Metal GM), un pequelio fabsicante de piezas mellica, end atand de decidir sh entra a competr para ser un proveedr de cajas de wanemisién para PROTRAC. Para competi, la Firma debe disearun dspastivo de prucba para el proceso de praducciGn y rodveir 10 clas (ue PROTRAC probard Et asi de desarrollo, esto es, del diseo yconsruccis dl dispostivo y les cajas de prueba, es de $50,000, Si JM obtine el pedido, un eventa que fe extinia eon wa probabil ce 04 de ocurit, ser posible vender 1,000 cas a PROTRAC a $50 cada ta, Si JM no obtiene el pedi, el cost de desarrollo se habré perdido, Para produc las cas, IM pede utilizar sus méquinas existentes 9 comprar una nue fore. La reparieion de fs mnqul- as aetuales cosa $40,000 y el costo de produccin por unig ex de $20. Sin embargo, si JM utlza las miquinas actuaes, corte el riesgo de incur en costs de tempo extruoring~ rio. La elacién entree coso del tempo extrardinaro yel estat de los ottos negocios de 4M aparece en fa abl 10.19. La nueva forja cuesta $260,000, ineluyendacostos de mootaje ara Ia cajas de transmisiGn. Sin embargo, con la nueva forja, JM de seguro no incurira en ningéin costa por tiempo extrzordinaro,y el eosto de prdiceign serie de slo $10 por und ilice un rb! de decisiones para determina el conjunto de aeciones Spin para JM, ene (Ros necocios PROBABILIDAD {COSTO DETIENPO EXTRAORDINAR Lin Posada 02 Normal 07 Ligero an *+10-20, Es I de enero y Justin Case, e!asesor legal de Chemgoo, se enenta awn reto dif, Pavece ~-que la fima tiene dos demaudaslegales relacionadas con i violecén de patents: aca de« ‘anda, a empresa iene Ia opcidn de irs jicio @ busear un aereglo fueia de Is corte, La esha el juicio para una de Is demandes, que idetificremos imteligentenente como demand |, 5- 18 programads para el 15 de julio ta segunda la demands 2, par supuesto} ex programed —— pata el 8 de enero de ao siguiente, Las costs de preparacin pata cada uno de fs juiios ‘stn estimados en $10,000. in envbaro, a ln empresa prepara ambos juiios, Tas castos de preparacién para e segundo jucioserdn de s5lo $6,000, Eslos costes pueden evitars legnndo ‘un acuerdo fuera de la core. Sa firma gana Ia demanda 1, po paga nulla alguna Si perde, ~ pags wa mult de $200,000: Las abogsos de fa empresa estiman que la probabilidad de gr ‘arta demand e5 de 0.5. a firma tiene Ja open de arteplrge fuera dela corte por (000: La demand 2 pee areglaseTuera dela corte por un cosio de $60,000. De ara manera, el jucioproducifa uno de estos tes posibles resultados: (1) se declare inv ls ‘demand y Ta frna no paga multa; 2) a demanda es vida pero sin vielacién, la empresa ‘pag tna inultade $50,000; 02) se encuentca ques vila Ja demands y con vitae 9 Ik Firtpa paga ura multa de $90,000. La posbilied de esis resultados depend en gran media dt resultado dela deinanda J, Eljuez seguramente considera a demand | como on precedente Importante. La evaluacin por parte de los abogsdas dela probabilidd de Ios tres posible resul- tacos de In demande 2 bajo tes coxjuntes de condiciones posibies (relacionadas con la demanda 1) se presenta en abla 10.20. Capitulo 10 408 Analisis de decsiones Ai SININFORMACION ULFIRWA GANA LA FIRMA PIERDE RESULTADOS CONCERNIENTE A.LADENANDA 1* LADEMANDA1 —LADEMANDA t Invalie 03 07 on Valid, sin vitacién 03 02 05 Valida, con volacién 04 ba 04 ile a gu deans | sean de nce ee foeise Parted Modelos probabilisticos wa. uo DECISION Finnar cgn la compatiafimica Fimisr con la red de TY. (a) Represent el modelo del Firma con un érbol de decisiones. (b) Resvelva el bol de decisiones,y encuence la esrategia 6ptima paral empress (© eCuies a pédidaeeperada que tendeé Ie firme ssigue la esteategia Spiima? {@)__ {Guiles son las decsiones que se tomarfan si Tes demands se analizaran de manera inde~ pendent, ignorando cnlesquiers jntepcciones enue ambas? ,Cual e el soro esperado tel unlisis de desin de este escenario? svorneNersDado que todas ls-ifas representa costs, pusde quested ence till bajar eon ls estes y minimizar el costo espera. Jenny Lind es una eseritore ce novels romdnicas, Tanto una compe iimica como na red t= levisiva queen ls derechos exelusivos de una de sus obras més popolares. i ela firma com lx red yeibirs une sola sua fj, peta si firma con la compan inca la cfra que recibir depen deride la respuesta del mercado ante la pelicula, Las reibuciones de Jenny estén resumigas en le tabla 102 ne ESTADO DE LANNATURALEZA “aqua baa Tagula media Teles $200,000 $1,000,000 $3,000,000 990,000 900,000, 908,000, ‘Silas estimaciones de probabilidad para Tos estados de le naturalezs son P(Pequeia) = 0:3, (Media) = 0.6, PCAlts) = 0.1, za quign debers vender Jenny los derechos? {Cuno es lo més ‘que debe estar dispuestas pagar para saber el monto de le taqulla, antes de decidir con quién fine? Kelly Conssruction desea ena en el age de negocio dels construccién de condominios para catuciants. La compota debe decir a compra de sufeieneteceno para la construcién de ‘ompejos de eondominins de 100,200 9300 unidades. Muchos otros complejos estén wotal- ‘ens en conatricci, at que Kelly no est segura de qué tan fuente sed a demanda para su Complejo Sila compat es conservadora y construye slo unas pocas unidedes, pier nslida- {es polenciles i demsnida resulta se Tue. Por oto lado, ambiéa le resulavan costoxas ‘muchas unidedes sin vender. Se prepard a tabla 1022, basada en tres nveles de demands, DEMANDA écision Bala Meda a Coasiuir 30 400 000 $00 000 ‘S000 Constr 100 100,000 800,000 800,000 Conse 150 209000 500000 4,200,000 (2) {Cul ea decisign optima si se uilia el eiterio maximin? () {Cuil es Ia docsinépsima si se uliza el ererio maximax? (6) (Coil es la docsin dima sis ula el eiterio de arepentimiento minimax? ~{d) Si P(Baje) =, POMedia)= 05, PCAlta)=02,jqu$ decisin maximizar erendinien-———— THEE espe STITT (©) {Cul es el valor esperado de la informaci6n perfect? ‘Marple Manafveturing estéplanesnda la inttodvesi6n de un nuevo prodicto Bl costo de prepare cin para fabricar uno de los componenes del producto es muy eleva, asf que Marple ex pen “Endo en comprar ese componente en vez defabriarlo, Sin embargo, una vex preperada part fabriearel componente,

You might also like

• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  From Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Rating: 4 out of 5 stars

  4/5 (5810)
• The Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You Are

  

  From Everand

  The Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You Are

  Brene Brown

  Rating: 4 out of 5 stars

  4/5 (1092)
• Never Split the Difference: Negotiating As If Your Life Depended On It

  

  From Everand

  Never Split the Difference: Negotiating As If Your Life Depended On It

  Chris Voss

  Rating: 4.5 out of 5 stars

  4.5/5 (843)
• • Magazines
  • Podcasts
  • Sheet music
• Principles: Life and Work

  

  From Everand

  Principles: Life and Work

  Ray Dalio

  Rating: 4 out of 5 stars

  4/5 (608)
• The Glass Castle: A Memoir

  

  From Everand

  The Glass Castle: A Memoir

  Jeannette Walls

  Rating: 4.5 out of 5 stars

  4.5/5 (1716)
• Grit: The Power of Passion and Perseverance

  

  From Everand

  Grit: The Power of Passion and Perseverance

  Angela Duckworth

  Rating: 4 out of 5 stars

  4/5 (590)
• Sing, Unburied, Sing: A Novel

  

  From Everand

  Sing, Unburied, Sing: A Novel

  Jesmyn Ward

  Rating: 4 out of 5 stars

  4/5 (1104)
• Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space Race

  

  From Everand

  Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space Race

  Margot Lee Shetterly

  Rating: 4 out of 5 stars

  4/5 (897)
• Shoe Dog: A Memoir by the Creator of Nike

  

  From Everand

  Shoe Dog: A Memoir by the Creator of Nike

  Phil Knight

  Rating: 4.5 out of 5 stars

  4.5/5 (540)
• The Perks of Being a Wallflower

  

  From Everand

  The Perks of Being a Wallflower

  Stephen Chbosky

  Rating: 4.5 out of 5 stars

  4.5/5 (2104)
• The Hard Thing About Hard Things: Building a Business When There Are No Easy Answers

  

  From Everand

  The Hard Thing About Hard Things: Building a Business When There Are No Easy Answers

  Ben Horowitz

  Rating: 4.5 out of 5 stars

  4.5/5 (346)
• Bad Feminist: Essays

  

  From Everand

  Bad Feminist: Essays

  Roxane Gay

  Rating: 4 out of 5 stars

  4/5 (1018)
• Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future

  

  From Everand

  Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future

  Ashlee Vance

  Rating: 4.5 out of 5 stars

  4.5/5 (474)
• A Sample Digital Marketing Agency Business Plan Template

  

  Document24 pages

  A Sample Digital Marketing Agency Business Plan Template

  SoulFront Attack

  50% (2)
• Her Body and Other Parties: Stories

  

  From Everand

  Her Body and Other Parties: Stories

  Carmen Maria Machado

  Rating: 4 out of 5 stars

  4/5 (821)
• The Outsider: A Novel

  

  From Everand

  The Outsider: A Novel

  Stephen King

  Rating: 4 out of 5 stars

  4/5 (1850)
• The Emperor of All Maladies: A Biography of Cancer

  

  From Everand

  The Emperor of All Maladies: A Biography of Cancer

  Siddhartha Mukherjee

  Rating: 4.5 out of 5 stars

  4.5/5 (271)
• The Sympathizer: A Novel (Pulitzer Prize for Fiction)

  

  From Everand

  The Sympathizer: A Novel (Pulitzer Prize for Fiction)

  Viet Thanh Nguyen

  Rating: 4.5 out of 5 stars

  4.5/5 (122)
• Angela's Ashes: A Memoir

  

  From Everand

  Angela's Ashes: A Memoir

  Frank McCourt

  Rating: 4.5 out of 5 stars

  4.5/5 (441)
• Brooklyn: A Novel

  

  From Everand

  Brooklyn: A Novel

  Colm Toibin

  Rating: 3.5 out of 5 stars

  3.5/5 (1946)
• The Little Book of Hygge: Danish Secrets to Happy Living

  

  From Everand

  The Little Book of Hygge: Danish Secrets to Happy Living

  Meik Wiking

  Rating: 3.5 out of 5 stars

  3.5/5 (401)
• The World Is Flat 3.0: A Brief History of the Twenty-first Century

  

  From Everand

  The World Is Flat 3.0: A Brief History of the Twenty-first Century

  Thomas L. Friedman

  Rating: 3.5 out of 5 stars

  3.5/5 (2259)
• A Man Called Ove: A Novel

  

  From Everand

  A Man Called Ove: A Novel

  Fredrik Backman

  Rating: 4.5 out of 5 stars

  4.5/5 (4610)
• The Art of Racing in the Rain: A Novel

  

  From Everand

  The Art of Racing in the Rain: A Novel

  Garth Stein

  Rating: 4 out of 5 stars

  4/5 (4203)
• A Tree Grows in Brooklyn

  

  From Everand

  A Tree Grows in Brooklyn

  Betty Smith

  Rating: 4.5 out of 5 stars

  4.5/5 (1929)
• Steve Jobs

  

  From Everand

  Steve Jobs

  Walter Isaacson

  Rating: 4.5 out of 5 stars

  4.5/5 (806)
• The Yellow House: A Memoir (2019 National Book Award Winner)

  

  From Everand

  The Yellow House: A Memoir (2019 National Book Award Winner)

  Sarah M. Broom

  Rating: 4 out of 5 stars

  4/5 (98)
• Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New America

  

  From Everand

  Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New America

  Gilbert King

  Rating: 4.5 out of 5 stars

  4.5/5 (266)
• The Woman in Cabin 10

  

  From Everand

  The Woman in Cabin 10

  Ruth Ware

  Rating: 3.5 out of 5 stars

  3.5/5 (2521)
• Yes Please

  

  From Everand

  Yes Please

  Amy Poehler

  Rating: 4 out of 5 stars

  4/5 (1898)
• A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True Story

  

  From Everand

  A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True Story

  Dave Eggers

  Rating: 3.5 out of 5 stars

  3.5/5 (231)
• Team of Rivals: The Political Genius of Abraham Lincoln

  

  From Everand

  Team of Rivals: The Political Genius of Abraham Lincoln

  Doris Kearns Goodwin

  Rating: 4.5 out of 5 stars

  4.5/5 (234)
• Fear: Trump in the White House

  

  From Everand

  Fear: Trump in the White House

  Bob Woodward

  Rating: 3.5 out of 5 stars

  3.5/5 (738)
• Wolf Hall: A Novel

  

  From Everand

  Wolf Hall: A Novel

  Hilary Mantel

  Rating: 4 out of 5 stars

  4/5 (3811)
• John Adams

  

  From Everand

  John Adams

  David McCullough

  Rating: 4.5 out of 5 stars

  4.5/5 (2409)
• On Fire: The (Burning) Case for a Green New Deal

  

  From Everand

  On Fire: The (Burning) Case for a Green New Deal

  Naomi Klein

  Rating: 4 out of 5 stars

  4/5 (74)
• The Light Between Oceans: A Novel

  

  From Everand

  The Light Between Oceans: A Novel

  M.L. Stedman

  Rating: 4.5 out of 5 stars

  4.5/5 (789)
• The Unwinding: An Inner History of the New America

  

  From Everand

  The Unwinding: An Inner History of the New America

  George Packer

  Rating: 4 out of 5 stars

  4/5 (45)
• Manhattan Beach: A Novel

  

  From Everand

  Manhattan Beach: A Novel

  Jennifer Egan

  Rating: 3.5 out of 5 stars

  3.5/5 (792)
• The Constant Gardener: A Novel

  

  From Everand

  The Constant Gardener: A Novel

  John le Carré

  Rating: 3.5 out of 5 stars

  3.5/5 (104)
• Actividades Módulo Ii

  

  Document4 pages

  Actividades Módulo Ii

  Mitza

  No ratings yet
• Rise of ISIS: A Threat We Can't Ignore

  

  From Everand

  Rise of ISIS: A Threat We Can't Ignore

  Jay Sekulow

  Rating: 3.5 out of 5 stars

  3.5/5 (137)
• Little Women

  

  From Everand

  Little Women

  Louisa May Alcott

  Rating: 4 out of 5 stars

  4/5 (104)
• Copia de MR - TSP - 631 - 2023 - 2

  

  Document24 pages

  Copia de MR - TSP - 631 - 2023 - 2

  Mitza

  No ratings yet
• Mapa Conceptual La Cultura Empresarial y El Liderazgo. Una Visión Dinámica.

  

  Document1 page

  Mapa Conceptual La Cultura Empresarial y El Liderazgo. Una Visión Dinámica.

  Mitza

  No ratings yet
• Tesis Maestria Marketing Digital Alejandra Aviles

  

  Document100 pages

  Tesis Maestria Marketing Digital Alejandra Aviles

  Mitza

  No ratings yet
• Eppen, G Gould Cap 14 PDF

  

  Document46 pages

  Eppen, G Gould Cap 14 PDF

  Mitza

  No ratings yet
• TAHA, H. A Cap. 2 PDF

  

  Document59 pages

  TAHA, H. A Cap. 2 PDF

  Mitza

  No ratings yet
• EJERCICIO MÓDULO 3 UNIDADES 6 y 7 Mitzamar Cardozo

  

  Document4 pages

  EJERCICIO MÓDULO 3 UNIDADES 6 y 7 Mitzamar Cardozo

  Mitza

  100% (1)
• Eppen, G Gould Cap 10 PDF

  

  Document65 pages

  Eppen, G Gould Cap 10 PDF

  Mitza

  No ratings yet
• TAHA, H. A Cap. 2

  

  Document59 pages

  TAHA, H. A Cap. 2

  Mitza

  No ratings yet
• TAHA, H. A Cap. 13

  

  Document13 pages

  TAHA, H. A Cap. 13

  Mitza

  No ratings yet
• Gestion de Stakeholders Un Enfoque Comun

  

  Document26 pages

  Gestion de Stakeholders Un Enfoque Comun

  Mitza

  100% (1)
• Plan de Curso Métodos T PDF

  

  Document31 pages

  Plan de Curso Métodos T PDF

  Mitza

  No ratings yet
• Planificación Finanzas Internacionales VIII-A

  

  Document9 pages

  Planificación Finanzas Internacionales VIII-A

  Mitza

  No ratings yet
• Concurso Ideas

  

  Document6 pages

  Concurso Ideas

  Mitza

  No ratings yet
• Eppen, G Gould Cap 14

  

  Document46 pages

  Eppen, G Gould Cap 14

  Mitza

  No ratings yet
• Mercado Financiero Brasileño-Udo

  

  Document19 pages

  Mercado Financiero Brasileño-Udo

  Mitza

  No ratings yet