Clase Nº1: Análisis de Decisión

Curso: Habilidades Analíticas para una Gestión Moderna

Clase Ejecutiva UC

Profesores

Mathias Klapp (PhD)

Juan Carlos Ferrer (PhD)

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
1
 Clase Nº1: Análisis de Decisión
La mayoría de nuestras decisiones involucran incertidumbre. Por ejemplo, un ejecutivo prudente
considerará todas las opciones posibles, y las consecuencias potenciales de cada una de ellas. Una
forma sistemática y racional para estructurar este tipo de decisiones es el Análisis de Decisión. Esta
es una metodología elegante que combina opciones, probabilidades y valores posibles, y así ayuda a
elegir la mejor opción.
Este análisis utiliza un modelo analítico llamado Árbol de Decisión, que permite explicitar y ordenar
secuencialmente todas las opciones y fuentes de incertidumbre involucradas en la toma de decisión.
Además, facilita enormemente el entendimiento y la comunicación de la situación enfrentada.
Revisemos la siguiente situación para la toma de decisión:

Nicolás tiene que ir a una reunión en el centro de Santiago. Para desplazarse tiene dos
opciones. La primera es ir en metro y demorar 40 minutos en total. La segunda es manejar
su auto hasta un estacionamiento intermedio lo cual puede demorar 25 o 35 minutos con
igual probabilidad, y luego debe decidir si caminar lo cual son 10 minutos adicionales o
tomar un taxi que puede demorar 7 o 14 minutos adicionales con igual probabilidad.
¿Cuál debiese ser la estrategia de Nicolás para que en promedio llegue lo antes posible a
su reunión?

A diario enfrentamos decisiones como la que debe tomar Nicolás, las cuales intuitivamente
resolvemos con un árbol de decisión sin darnos cuenta. La decisión de Nicolás es relativamente
simple, pero no obvia. Esto no siempre es así, ya que a menudo hay muchas opciones para comparar,
con fuentes de incertidumbre que nos pueden llevar a múltiples escenarios.

PROCEDIMIENTO PARA ABORDAR UN ANÁLISIS DE DECISIÓN

El procedimiento de Análisis de Decisión involucra una serie de pasos que explicamos a
continuación:
Paso 1. Listar todas las decisiones involucradas con todas sus opciones posibles. Nicolás tiene dos
decisiones que tomar con dos opciones cada una. Primera decisión es Metro o Auto, y la segunda es
Caminar o Taxi.
Paso 2. Listar todos los eventos inciertos con todos sus posibles resultados. Cada evento tiene varias
ocurrencias de las cuales exactamente una ocurre. Las ocurrencias son “mutuamente excluyentes” (es

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
2
 decir, no ocurre más de una a la vez) y ``conjuntamente exhaustivas’’ (es decir, cubren todo posible
resultado). En el caso de Nicolás hay dos eventos inciertos, el tiempo de demora del Auto y el tiempo
de demora del Taxi.
Paso 3. Construir un árbol de decisión a lo largo de la línea de tiempo (es un árbol acostado), es decir,
el tiempo avanza al moverse de izquierda (raíz) a derecha (ramas) en el árbol. En la raíz del árbol está
la decisión actual del “tomador de decisiones” y sus ramas inmediatas son las opciones de dicha
decisión. Por cada opción de la decisión actual, puede haber diferentes ocurrencias y decisiones
posteriores que son ilustradas como ramas adicionales del árbol.
En la raíz del árbol Nicolás puede elegir entre Metro o Auto. Luego, por la rama del Auto, viene un
evento que tiene dos ramas (ocurrencias) de posibles tiempos de demora del Auto. Luego, en esas dos
ramas viene la siguiente decisión de elegir entre Caminar o Taxi. Finalmente, por la rama Taxi viene
un evento con dos ramas de posibles tiempos de demora del Taxi (ver siguiente Figura donde
cuadrados azules son nodos de decisión y círculos rojos son nodos de eventos).

35 min
Caminar
32 min
Demora 25 min 50% Demora 7 min
50% Taxi
50% Demora 14 min
Auto 39 min
45 min
Nicolás 50% Caminar
Demora 35 min 42 min
50% Demora 7 min
Taxi
Metro 50%
40 min Demora 14 min
49 min

Paso 4. Evaluar hojas del árbol en la unidad del objetivo que se buscar conseguir, como por ejemplo
“dinero” en el caso de valores monetarios como ingreso, costo, y remuneración, o “tiempo” en el caso
de demoras al ejecutar un viaje como en la situación de Nicolás.
Paso 5. En cada evento hay que estimar probabilidades de cada una de sus ocurrencias. Estas
estimaciones pueden venir de información histórica (empíricamente), de juicio experto (experiencia),
o bien teórica. Dado que las ocurrencias son mutuamente excluyentes y colectivamente exhaustivas,
la suma de todas las probabilidades debe ser 100%. En el caso de Nicolás tenemos eventos cuyas dos
y únicas ocurrencias pueden resultar con un 50% de probabilidad cada una, lo que suma 100% en
cada caso.
Paso 6. Resolver el árbol de derecha a izquierda. Cada nodo se evalúa hasta llegar a la raíz. Si es
“nodo de decisión” se toma el valor de la opción más conveniente. Si es “nodo de evento”, se usa el
“valor esperado” (VE) de todas las ocurrencias. El VE es un promedio ponderado de los valores de
las ocurrencias por sus probabilidades. Si Nicolás toma Taxi, el VE del tiempo de viaje promedio
será igual a 35,5 min (32 ⋅ 50% + 39 ⋅ 50%) en el primer caso, y de 45,5 min (42 ⋅ 50% + 49 ⋅
50%) en el segundo.

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
3
 Paso 7. Realizar análisis de sensibilidad con respecto a parámetros críticos del problema
(probabilidades de eventos, o valores de hojas). Normalmente los parámetros son estimados
basándose en supuestos. Mediante este análisis se busca determinar qué tan robusta es la estrategia
óptima con respecto a cambios en los valores de los parámetros relevantes.
A continuación, utilizamos el siguiente problema de decisión proporcionado por Bertsimas y Freund
en su libro para ilustrar de mejor forma esta metodología.

DECISIÓN DE TRABAJO DE BILL SAMPRAS

Estamos a comienzos de octubre y Bill Sampras, un estudiante de MBA de primer año, debe tomar
una decisión sobre su práctica que debe hacer en Julio del próximo año. Bill tiene una oferta de trabajo
segura por $12.000 de John, su exjefe antes de ingresar al MBA. La oferta de John es válida sólo
hasta fines de octubre.
Hace dos meses, en agosto, una vicepresidenta de la banca de inversiones le dijo a Bill que la llame
a medidos de noviembre porque eventualmente podría ofrecerle algo por $14.000 con una
probabilidad de que resulte de 60%.
Por otro lado, la universidad donde realiza su MBA, organizará una Feria Laboral en enero próximo
donde los alumnos pueden obtener ofertas para su práctica. En base a información histórica, la
siguiente tabla resume los posibles sueldos que se pueden obtener en esas ofertas con sus respectivas
probabilidades de éxito. Nótese que hay un 5% de probabilidad de que Bill no obtenga ofertas en la
feria.

Sueldo esperado Probabilidad Asociada

$21.600 5%
$16.800 25%
$12.000 40%
$6.000 25%
$0 5%

Siguiendo el procedimiento de Análisis de Decisión, comenzamos por explicitar las decisiones que
enfrenta Bill, las cuales son:
• Aceptar o rechazar la oferta existente de su exjefe John.
• Aceptar o rechazar la eventual oferta de la VP Vanessa en caso de que se la haga.
Los eventos (con incertidumbre) que enfrenta Bill son los siguientes:

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
4
 • La VP Vanessa le ofrece o no en noviembre una oferta de trabajo.
• Oferta/sueldo que podría recibir en enero si va a la Feria Laboral.
Luego, construimos el árbol de decisión cronológicamente de izquierda a derecha comenzando por la
decisión que Bill debe tomar en octubre, y siguiendo con las demás decisiones y eventos presentados
anteriormente.
En cada hoja del árbol se explicitan los valores los cuales corresponden a los sueldos que Bill podría
obtener en su trabajo en cada caso. También se explicitan para los eventos las probabilidades de cada
una de sus ocurrencias como lo es la probabilidad de recibir una oferta de Vanessa (60%) y las
probabilidades de recibir los diferentes salarios en la feria de enero.

A continuación, corresponde resolver el árbol de derecha a izquierda. Para eso calculamos el valor
esperado (promedio ponderado usando las probabilidades como pesos) de los nodos de eventos.
Luego, para los nodos de decisión se elige la opción con mayor VE, y ese valor se le asigna a dicho
nodo. La siguiente figura detalla en color verde los VEs para todos los nodos, y las ramas que son
desechadas por no tener el mejor VE.

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
5
 De esta forma, la estrategia óptima es rechazar la oferta de John, y luego, si hay oferta de Vanessa,
aceptarla. De lo contrario, esperar la Feria Laboral y ojalá recibir una buena oferta.
Cabe reflexionar: ¿Cuán sensible es esta estrategia óptima ante los supuestos como, por
ejemplo, la probabilidad (p) que Vanessa haga una oferta? Es decir, queremos saber si nuestra
estrategia óptima cambia al modificar esa probabilidad de 60%.
Sabemos que la oferta de John será rechazada siempre y cuando el VE del nodo de la izquierda sea
mayor a $12.000, es decir, VE > $12.000.
Esto es: 𝑝 ⋅ $14.000 + (1 − 𝑝) ⋅ $11.580 > $12.000, de lo cual se obtiene que,
2.420 ⋅ 𝑝 > 420, es decir, 𝑝 > 17,4%.
Como podemos ver, la estrategia óptima es extremadamente robusta respecto a la probabilidad de que
Vanessa haga o no una oferta de trabajo. Dicha probabilidad de 60% podría disminuir hasta 17,4% y
la estrategia óptima de la decisión de Bill seguiría siendo la misma.
¿Y cuán sensible es la estrategia óptima frente al sueldo esperado (s) de la empresa de Vanessa?
Nuevamente, la oferta de John será rechazada siempre y cuando el VE de nodo principal sea mayor
a $12.000, es decir, 0,6 ⋅ 𝑠 + 0,4 ⋅ $11.580 > $12.000. Despejando para obtener la condición que
debe cumplirse se obtiene que 𝑠 > $12.280. Podríamos decir que la estrategia óptima también es
bastante robusta respecto al sueldo de $14.000 ya que éste podría bajar hasta $12.280 y la estrategia
de Bill no cambiaría.

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
6
 ¿QUÉ SUCEDE CUANDO HAY RIESGO?
Suponga que usted puede elegir entre las siguientes dos alternativas:

• Alternativa 1: usted recibe 𝑈𝑆$40 con toda seguridad

• Alternativa 2: usted recibe 𝑈𝑆$100 con 90% de seguridad
¿Cuál alternativa elige? La mayoría de las personas eligen la Alternativa 2 porque su VE de US$90
($100 ⋅ 90% + $0 ⋅ 10%) es muy superior a los US$40 de la otra alternativa.

Suponga ahora que usted puede elegir entre las siguientes dos alternativas:

• Alternativa 1: usted recibe US$40 millones con toda seguridad

• Alternativa 2: usted recibe US$100 millones con 90% de seguridad
¿Cuál alternativa elige? Aquí, a pesar de que el VE de la Alternativa 2 (US$90 millones) sigue siendo
muy superior al de la Alternativa 1 (US$40 millones), prácticamente todas las personas eligen la
Alternativa 1. ¿Por qué? Porque las personas no quieren correr el riesgo de perder la oportunidad de
recibir varias decenas de millones de dólares, un monto estratosféricamente superior al poder
adquisitivo de casi todas ellas.

El enfoque del Valor Esperado es apropiado cuando estamos dentro de un rango razonable de riesgo,
pero cuando el resultado presenta un riesgo substancial, este enfoque simplemente no es apropiado.
De todas formas, alguien muy rico o una gran empresa, perfectamente podrían elegir la Alternativa 2
y correr el riesgo de recibir cero. Es más, le conviene hacerlo, porque su nivel de riesgo es muchísimo
menor.

Las personas pueden ser adversas al riesgo o amantes al riesgo dependiendo de los montos
involucrados y de si el juego los termina dejando mejor o peor de lo que están. Esta es una explicación
posible de por qué las personas pueden comprar en un mismo día una póliza de seguros y un boleto
de lotería.

El año 1947 el matemático húngaro John von Neumann junto al economista austríaco Oskar
Morgenstern desarrollaron un método llamado “Teoría de Utilidad Esperada” que permite representar
riesgo en los árboles de decisión. Sin embargo, en las últimas décadas, este método se ha ido
reemplazando por versiones más sofisticadas que toman en cuenta desviaciones irracionales del
modelo de utilidad esperada, como es el caso de la Teoría de Perspectivas (Prospect Theory).

La Teoría de Perspectivas fue desarrollada en 1979 por los psicólogos israelíes Daniel Kahneman y
Amos Tversky. Esta teoría permite describir la forma en cómo las personas toman decisiones en
situaciones que deben decidir entre opciones que involucran riesgo (como decisiones financieras). En
base a evidencia empírica esta teoría describe cómo las personas evalúan las ganancias y pérdidas
potenciales de sus decisiones, ayudándonos a entender de manera más realista el comportamiento del
cliente (ver siguiente Figura).

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
7
 En la Figura se observan/comprueban varios fenómenos interesantes:

• Las personas son sensibles tanto a ganancias como a pérdidas, pero con diferente intensidad.
• Hay aversión a las pérdidas. Es decir, comparando una pérdida con una ganancia, ambas de
la misma magnitud, el NO beneficio (o dolor) de la pérdida es mayor que el beneficio de la
ganancia (en valor absoluto). En la Figura, -V(-1) > V(1)
• Los puntos de referencias importan. Aquí el concepto de “framing” es clave. Muchas
situaciones negativas las podemos poner en positivo, y viceversa, y el impacto en las
personas puede ser totalmente inverso.
• La sensibilidad marginal es decreciente. Es decir, una ganancia o pérdida del doble de
magnitud, será percibida con un beneficio o dolor menor al doble.
Esta importante e influyente teoría le hizo ganar el Premio Nobel de Economía en 2002 a Daniel
Kahneman. Lamentablemente, Amos Tversky había fallecido en 1996.

IMPORTANTE DECISIÓN DE JAMES McGILL

James McGill de 68 años fue diagnosticado de un tipo particular de tumor cerebral, y fue referido al
Dr Zylber, jefe de cirugía del hospital clínico de la universidad. Este tipo de tumor es benigno en un
50% de los casos y maligno en el otro 50%. El tiempo de vida restante para James depende de si el
tumor es benigno o maligno y de la decisión de sacarlo o no. En la siguiente tabla se detallan
estimaciones del tiempo restante de vida de James (en años) en base a los posibles escenarios para
este tipo de tumor.

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
8
 Tumor Sacar tumor Dejar tumor
Benigno 5 8
Maligno 5 1

El Dr Zylber podría hacer una cirugía exploratoria antes de tomar la decisión de si sacar o no el tumor,
para tener una mejor evaluación del estado del tumor. La cirugía exploratoria no es infalible y podría
realizar una recomendación errada. Se sabe que una cirugía exploratoria sugiere un 75% del tiempo
que un tumor es benigno cuando de verdad es benigno, y sugiere que el tumor es maligno un 65% del
tiempo cuando de verdad es maligno. Esta cirugía exploratoria también tiene algo de riesgo: en un
5% de los casos los pacientes con características similares a James no sobreviven.
Si no se hace cirugía exploratoria, James debe decidir si sacar o no el tumor sin información adicional.
Si se hace la cirugía exploratoria, James debe decidir si sacar o no el tumor basado en los resultados
de la cirugía exploratoria. Naturalmente, James desea vivir el máximo tiempo posible y quiere tomar
la mejor decisión.
Siguiendo el procedimiento de Análisis de Decisión, comenzamos por explicitar todas las decisiones
involucradas. En este caso hay dos:
1. Realizar o no cirugía exploratoria
2. Sacar o no el tumor
Debemos notar que la decisión de sacar o no el tumor se tomará tanto en el caso que se haya decidido
hacer la cirugía exploratoria como en el que no.
Luego, identificamos los eventos con incertidumbre, que en esta situación son tres:
1. Tumor es benigno o maligno
2. Resultado de la cirugía exploratoria
3. Paciente sobrevive luego de la cirugía exploratoria
En la siguiente figura, armamos el árbol de decisión ordenando las decisiones e incertidumbres que
enfrenta James cronológicamente de izquierda a derecha:

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
9
 De la Figura, se observa que toda hoja de árbol ya tiene detallado el número de años de vida que le
quedarían a James, los cuales son las estimaciones proporcionadas a partir de estadísticas históricas
de estos casos.
En rojo se muestra la probabilidad de cada ocurrencia asociada a cada nodo de evento (círculos).
Algunas de estas probabilidades son desconocidas explícitamente, pero existe información para
deducirlas.
La información con la que contamos es la siguiente:
• ℙ(𝑇𝐵 | 𝐵) = 75%, 1es la probabilidad de que el Test indique Benigno dado que el tumor es
en realidad Benigno. La barrita vertical “|” es el símbolo para indicar que lo que está a su
derecha es información dada, es decir, sabiendo que el tumor es benigno, cuál es la
probabilidad de que el Test resulte indicando que el tumor es benigno. Esto es lo que se conoce
como una probabilidad condicional.
• ℙ(𝑇𝑀 | 𝑀) = 65%, es la probabilidad de que el Test indique Maligno dado que el tumor es
en realidad Maligno.
• ℙ(𝐵) = 50%, es la probabilidad de que el tumor sea Benigno.

1
Probabilidad condicional es la probabilidad de que ocurra un evento A, sabiendo que también sucede otro evento B. La probabilidad
condicional se escribe P(A|B) o P(A/B), y se lee «la probabilidad de A dado B».

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
10
 Pero las probabilidades que necesitamos para completar el árbol no son las anteriores, sino que las
siguientes:
• ℙ(𝑇𝐵), probabilidad que el Test resulte Benigno
• ℙ(𝑇𝑀), probabilidad que el Test resulte Maligno
• ℙ(𝐵 | 𝑇𝐵), probabilidad que el tumor sea Benigno dado que el Test resultó Benigno
• ℙ(𝐵 | 𝑇𝑀), probabilidad que el tumor sea Benigno dado que el Test resultó Maligno
Una forma simple para poder obtener estas probabilidades es usar la Tabla de Probabilidades que
mostramos a continuación. En rojo aparece la información proporcionada, que nos permite completar
el resto de la tabla, dado que tanto la suma de los totales de las filas como la suma de los totales de
las columnas deben sumar 1 (probabilidad total).

B M

TB 𝟕𝟓% ⋅ 50% 35% ⋅ 50% 55%

= 37,5% = 17,5% = 37,5% + 17,5%

TM 25% ⋅ 50% 𝟔𝟓% ⋅ 50% 45%

= 12,5% = 32,5%

𝟓𝟎% 50% 100%

Así, obtenemos que las probabilidades del resultado del test (sin tener información previa) son:
• ℙ(𝑇𝐵) = 55%
• ℙ(𝑇𝑀) = 45%
Para calcular las probabilidades condicionales del tipo de tumor dado los resultados del Test tenemos
que calcular el porcentaje que representa la probabilidad de un tumor Benigno con Test Benigno
(37,5%) sobre la probabilidad de un Test Benigno (55%). Es decir:
• ℙ(𝐵|𝑇𝐵) = 37,5% / 55% = 68%
• ℙ(𝐵|𝑇𝑀) = 12,5% / 45% = 28%
Con todo esto, ya podemos completar y resolver el árbol (de derecha a izquierda) calculando los
valores esperados de cada nodo de evento e ir eligiendo la mejor opción en cada nodo de decisión.

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
11
 A partir del árbol de decisión podemos observar que la decisión óptima de James McGill es realizarse
la cirugía exploratoria, luego, si sobrevive, esperar el resultado. Si el Test indica Benigno entonces
hay que dejar el tumor, pero si el Test indica Maligno hay que sacarlo.
Siempre es bueno verificar qué tan robusta es la estrategia óptima frente a los supuestos que están
definidos detrás de los parámetros (Análisis de Sensibilidad). Por ejemplo, un supuesto detrás de
nuestra estrategia es que un paciente que se realiza una cirugía exploratoria muere en el 5% de los
casos, pero qué sucede si dicha probabilidad fuese 10% en vez.
Calculando nuevamente el nodo de evento de la cirugía exploratoria (actualmente igual a 5,2) vemos
que queda menor a 5, que es el valor esperado de no hacer la cirugía exploratoria. Por lo tanto, con
10% de no sobrevivir, la estrategia óptima cambia y James no debiese hacerse a cirugía exploratoria
si no que sacarse al tiro el tumor.

REFLEXIÓN FINAL

La teoría detrás de Análisis de Decisión es simple. El desafío en nuestro rol desde la gestión es poder
modelar situaciones reales y estimar datos de los parámetros relevantes a la decisión involucrada.
Muchas situaciones reales pueden ser bastante más complejas que las decisiones de Bill Sampras y
de James McGill, no obstante, pueden ser manejables si se les dedica un esfuerzo apropiado.
De todas formas, en la decisión de James pudimos ver que hay valores de probabilidades que no son
fáciles de interpretar o calcular a primera vista, por lo que necesitamos una teoría más formal que nos

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
12
 diga exactamente cómo se calculan esas probabilidades, tema que abordaremos en las siguientes
clases.
Finalmente, para facilitar la creación de los árboles de decisión, sus cálculos y posterior análisis de
sensibilidad, existen algunos complementos de Microsoft Excel que pueden ser de gran ayuda tales
como TreePlan (http://www.treeplan.com/treeplan.htm) y PrecisionTree Pro
(http://www.palisade.com/html/ptree.html).

Pontificia Universidad Católica de Chile © Mathias Klapp & Juan Carlos Ferrer
13