09/09/2017

Unidad 2
Introducción a la Investigación de
Operaciones

Ing. Enrique M. Avendaño Delgado

enrique.avendano@upn.pe

"La indecisión es un veneno lento, nada

produce, en cambio, puede convertirse en
hábito: más vale fracasar por haber tomado
una decisión errónea, que por no haber
tomado ninguna"

"La decisión consiste en el proceso deliberado (y deliberativo) que lleva a

la selección de una acción (acto, curso de acción) determinado entre
un conjunto de acciones alternativas. La decisión es un proceso previo
a la acción"
Pedro Pavesi, "La Decisión"

1
 09/09/2017

¿QUÉ HACER CUANDO DEBE TOMAR

DECISIONES EN AMBIENTES DE MUCHA
INCERTIDUMBRE?

• Un fabricante lleva un nuevo producto ¿Cuál será la reacción de los

clientes potenciales? ¿El producto debe probarse en una región
pequeña antes de decidir su distribución completa?
• Una empresa financiera invierte en valor bursátiles ¿Cuáles son los
sectores del mercado y los valores individuales con las mejores
perspectivas? ¿Hacia dónde se dirige la economía?
• Una empresa agropecuaria esta eligiendo la mezcla de cosecha y
ganado para la próxima temporada ¿Cuáles serán las condiciones
del clima? ¿Hacia dónde se dirigen los precios? ¿Cuáles serán los
costos?

TERMINOLOGÍA

• Tomador de decisiones: individuo o grupo que tiene la

responsabilidad de tomar la decisión (o secuencia de decisiones)
que se analiza.
• Alternativas: son las opciones que debe considerar en la decisión
quien debe tomarla.
• Estado de la naturaleza: son factores aleatorios que determinan
la situación que se encontrara en cuando se ejecute la decisión.
Posibles situaciones.
• Resultado: combinación de una alternativa y un estado de la
naturaleza.

2
 09/09/2017

ARBOLES DE DECISIÓN
Cuando debe tomarse una serie de decisiones en distintos momentos en el tiempo, en
estos casos se recurre a los árboles de decisión para determinar la solución
óptima. Consiste en descomponer un problema complejo en varios problemas
simples.

Consideraciones para arboles de decisión

Un nodo de decisión (denotado por ) representa un punto donde se debe
tomar una decisión. Cada rama representa una decisión posible. Ejemplo:
Hacer un estudio de prefactibilidad o no hacer un estudio de
prefactibilidad.

Hacer un estudio de prefactib

No Hacer un estudio de prefactib

• Un nodo de estados de la naturaleza ( ) representa un

punto donde alguno de varios eventos aleatorios ocurre.
Cada rama representa un estado de naturaleza posible. Se
escribe sobre cada rama la probabilidad de que dicho
evento ocurra.
Ejemplo, podemos dibujar el evento de que el producto tenga
o no éxito en el mercado de acuerdo al estudio.

0.75 Producto tiene éxito

0.25 Producto no tiene éxito

3
 09/09/2017

PASOS PARA EL ANÁLISIS DEL ÁRBOL DE DECISIÓN

• Definir el problema
• Dibujar el árbol de decisión.
• Asignar probabilidades a los eventos aleatorios.
• Estimar los resultados para cada combinación posible de alternativas.
• Resolver el problema obteniendo como solución la ruta que proporcione la
política óptima.

EJEMPLO: CONCEDER UN PRÉSTAMO

4
 09/09/2017

EJEMPLO

Una compañía de seguros nos ofrece una indemnización por accidente de 210.000$. Si no aceptamos la
oferta y decidimos ir a juicio podemos obtener 185.000$, 415.000$ o 580.000$ dependiendo de las
alegaciones que el juez considere aceptables. Si perdemos el juicio, debemos pagar las costas que
ascienden a 30.000$.

Sabiendo que el 70% de los juicios se gana, y de éstos, en el 50% se obtiene la menor indemnización, en
el 30% la intermedia y en el 20% la más alta, determinar la decisión más acertada.

EL ÁRBOL DE DECISIÓN ASOCIADO SERÁ:

Bajo 50%
$ 185000

Gana 70% Medio 30%

$ 415000

Ir a juicio $ 580000
Alto 20%

$ -30000
Pierde 30%

$ 210000
Arreglo extrajudicial

5
 09/09/2017

POLITICA OPTIMA

Bajo 50%
$ 185000
$333000
Gana 70% Medio 30%
$ 415000
$224100
Ir a juicio $ 580000
Alto 20%
$224100
$ -30000
Pierde 30%

$ 210000
Arreglo extrajudicial

La decisión es ir a Juicio, con una guanacia esperada de 224000 dólares

EJEMPLO 2

Una fábrica está evaluada en 150 millones. La fábrica desea incorporar un nuevo producto al mercado. Existen tres
estrategias para incorporar el nuevo producto:
• Alternativa 1 Hacer un estudio de mercado del producto de forma de determinar si se introduce o no al mercado.
• Alternativa 2 Introducir inmediatamente el producto al mercado (sin estudio).
• Alternativa 3 No lanzar inmediatamente el producto al mercado (sin estudio).

En ausencia de estudio de mercado, la fábrica estima que el producto tiene un 55% de posibilidades de ser exitoso
y de 45% de ser un fracaso. Si el producto es exitoso, la fábrica aumentaría en 300 millones su valor, si el
producto fracasa se devaluaría en 100 millones. El estudio de mercado vale 30 millones. El estudio predice que
existe un 60% de probabilidad de que el producto sea exitoso. Si el estudio de mercado determina que el
producto sería exitoso, existe un 85% de posibilidades de que efectivamente lo sea. Si el estudio de mercado
determina que el producto sería un fracaso, existe sólo un 10% de posibilidades de que el producto sea exitoso.
Si la empresa no desea correr riesgos (desea maximizar el valor esperado de la empresa).

¿Qué estrategia debería seguir ?

6
 09/09/2017

ARBOL ASOCIADO:

No introducir al mercado
Prd. exitoso
Introducir al
mercado

Prd. fracaso
No introducir al mercado
Prd. exitoso

Introducir al
mercado
Prd. fracaso

Prd. exitoso
No introducir al
mercado

Prd. fracaso
Introducir al
mercado

ARBOL ASOCIADO:

No introducir al mercado 150-30=120

Prd. exitoso
0.85 150-30+300=420
Introducir al
0.6 mercado
0.15
Prd. fracaso 150-30-100=20
No introducir al mercado
Prd. exitoso
0.10 150-30+300=420
Introducir al
0.4 mercado
0.90 Prd. fracaso
150-30-100=20
Prd. exitoso
No introducir al
150+300=450
0.55
mercado

Prd. fracaso 150-100=50

Introducir al 0.45
mercado

7
 09/09/2017

ARBOL ASOCIADO:

No introducir al mercado 150-30=120

360 0.85
Prd. exitoso
150-30+300=420
Introducir al 360
0.6 mercado
264 0.15
Prd. fracaso 150-30-100=20
No introducir al mercado
270 120 120 Prd. exitoso
150-30+300=420
0.10
Introducir al 60
0.4 mercado
0.90
Prd. fracaso
150-30-100=20
Prd. exitoso
150+300=450
Introducir al 0.55
mercado
270
Prd. fracaso 150-100=50
270 0.45

No introducir al 150
mercado

EJERCICIO 5

• El gerente de una empresa tiene dos diseños posibles para su nueva línea de cerebros electrónicos, la
primera opción tiene un 80% de probabilidades de producir el 70% de cerebros electrónicos buenos y
un 20% de probabilidades de producir el 50% de cerebros electrónicos buenos, siendo el coste de este
diseño de 450.000 de euros. La segunda opción tiene una probabilidad del 70% de producir el 70% de
cerebros electrónicos buenos y una probabilidad del 30% de producir el 50% de cerebros electrónicos
buenos, el coste de este diseño asciende a 600.000 euros. El coste de cada cerebro electrónico es de
100 euros, si es bueno se vende por 250 euros, mientras que si es malo no tiene ningún valor.
Conociendo que la previsión es de fabricar 50.000 cerebros electrónicos, decida el diseño que debe
elegir el gerente de la empresa.

8
 09/09/2017

3300000
2800000
0.8
0.2
800000
2800000

3150000
2400000
0.7

0.3
650000

El gerente debe elegir el diseño 1, en espera de alcanzar un

beneficio de 2.800.000 euros

Unidad 2
Modelos Determinísticos De Decisión

INVESTIGACIÓN DE OPERACIONES I
TEORIA DE DECISIONES

Ing. Enrique M. Avendaño Delgado

enrique.avendano@upn.pe

9
 09/09/2017

CRITERIOS DE DECISIÓN

Toma de decisiones Toma de decisiones

sin probabilidades con probabilidades

•Optimista (lo mejor de lo mejor) • Criterio de Bayes (VESI)

•Pesimista (lo mejor de lo peor) • Pago al Experto: VEIP
•Hurwicz (alfa) • Información Muestral: VEIM
•Costo de Oportunidad,
Penalidad o Savage

No existe un criterio de decisión único que sea el

mejor para todas las situaciones.

Elegir un criterio de decisión depende en gran parte

del temperamento del tomador de decisiones y de
su actitud hacia la toma decisiones y las
circunstancias de la decisión a tomar.

10
 09/09/2017

• Optimista (lo mejor de lo mejor)

PARA GANANCIAS EL MAXIMO DE LO

MAXIMO

PARA COSTOS EL MINIMO DE LO MINIMO

• Pesimista (lo mejor de lo peor)

GANANCIAS: LO MAXIMO DE LO MINIMO

COSTOS: lo mínimo de lo máximo

11
 09/09/2017

• Hurwicz (alfa)
• Combinar el criterio optimista y pesimista
(balancea o da un equilibrio entre ambos
criterios)
• ALFA = grado de optimismo y pesimismo

• Optimista = alfa =100%

• Pesimista = alfa = 0%
• Alfa = % optimismo
• 1-alfa = % pesimismo

• CRITERIO DE SAVAGE, PENALIDADES

O COSTO DE OPORTUNIDAD

Paso 1: de cada evento escoger el mejor valor

Paso 2: encontrar la oportunidad que se dejo o no se aprovecho
Ganancia = mejor valor – ganancia selecc
(lo que se dejo de ganar)
Costos = costo selecc – mejor valor
(lo que se gastó demás)
Paso 3: de cada alternativa escoger lo peor que pueda pasar
(máximo valor)
Paso 4: de lo peor escoger lo mejor (el menor valor)

12
 09/09/2017

CRITERIOS DE DECISIÓN

• Optimista (MAXIMAX)
• Pesimista (MAXIMIN)
• Hurwicz (alfa α )
• Penalizacion (Pena MINIMAX)
• Probabilístico o Cuadro de Utilidades (Ganancia
Esperada)

EJEMPLO 1
•Juego de la TINKA
Cada juego cuesta S/. 4.00 y el premio es de S/
2.8 millones. Si gana deberá pagar un
impuesto de 20%. Qué debe decidir?

α = 0.8

13
 09/09/2017

DEFINIENDO NUESTRAS VARIABLES

• Variables de Decisión
SJ: Si juega la tinka
NJ: No juega la tinka
• Variables Resultantes
SG: Si gana la tinka
NG: No gana la tinka

ARBOL DE DECISIÓN

SG 2 240 000
SJ
(2 800 000 - 2 800
000*0.20 -4) =
NG -4
S/. 2 239 996
Para el ejercicio se
redondeará a
SG 0 S/. 2 240 000
NJ

NG 0

14
 09/09/2017

APLICANDO CRITERIOS

Decisión
Decisión SG
SG NG
NG

SJ 2240 -4

NJ
NJ 0 0

APLICANDO LOS CRITERIOS

1. Optimista (MAXIMAX)
• Escoger la alternativa que tenga el potencial de producción de la mayor
ganancia posible.

1. Optimista
Decisión SG NG (MAXIMAX)

SJ 2 240 000 -4 2 240 000

NJ 0 0 0

• Resultado: SI JUGAR obteniendo la

maxima ganancia de S/. 2 240 000

15
 09/09/2017

APLICANDO LOS CRITERIOS

2. Pesimista (MAXIMIN)
• Escoger la alternativa que maximice la ganancia mínima posible (el peor resultado
posible).

2.
Decisión SG NG Pesimista
(MAXIMIN)
SJ 2 240 000 -4 -4

NJ 0 0 0

• Resultado: NO JUGAR obteniendo una menor

pérdida de S/. 0

APLICANDO LOS CRITERIOS

3. Criterio de Hurwicz
• Combinar los criterios optimista y pesimista.
• Escoger un coeficiente de optimismo (alfa α )
• Calcular para cada alternativa:
Ganancia pesada = α * (ganancia maxima) + (1 – α) * (ganancia minima)

• Seleccionar la alternativa que tenga mayor ganancia

pesada.
Valores de alfa
Baja Moderada Alta
α=0 3/7 1/2 α=1
Criterio pesimista Criterio optimista

16
 09/09/2017

PARA ESTE EJEMPLO CONSIDERE UN

COEFICIENTE DE OPTIMISMO DE Α = 0.80

1. Optimista 2. Pesimista 3. Hurcwicz

Decisión (MAXIMAX) (MAXIMIN) (α = 0.80)
SJ 2 240 000 -4

NJ 0 0

PARA ESTE EJEMPLO CONSIDERE UN COEFICIENTE

DE OPTIMISMO DE Α = 0.80

1. Optimista 2. Pesimista 3. Hurcwicz

Decisión (MAXIMAX) (MAXIMIN) (α = 0.80)
SJ 2 240 000 -4 1 792 000
NJ 0 0 0
FORMULA
Ganancia pesada = α * (ganancia maxima) + (1 – α) * (ganancia minima)

Ganancia para SJ = (0.80) * ( 2 240 000) + (1 – 0.80) * (-4) = 1 791 999.2 = 1 792 000
Ganancia para NJ = (0.80) * (0) + (1-0.80)*(0) = 0

Resultado: SI JUGAR obteniendo una ganancia de S/. 1 792 000

17
 09/09/2017

APLICANDO LOS CRITERIOS

4. Penalización (Costos de Oportunidad

MINIMAX)
• Elegir la alternativa que minimice la penalidad por
no haber escogido la mejor decisión, basado en el
resultado.

Penalidad = (ganancia por la mejor decisión) –

ganancia por la decisión no óptima).

4. Penalización (Costos de Oportunidad MINIMAX)

Decisión SG NG
SJ 2 240 000 -4
NJ 0 0

18
 09/09/2017

Decisión SG NG
SJ 2 240 000 -4
NJ 0 0

Aplicando penalidades
Decisión SG NG 4. Penalid
SJ 0 4
NJ 2 240 000 0
• Penalidad SJ vs SG = (2 240 000 – 2 240000) = 0
• Penalidad NJ vs SG = (2 240 000 – 0) = 2 240 000
• Penalidad SJ vs NG = (0 - - 4) = 4
• Penalidad NJ vs NG = (0 - 0) = 0
Resultado: SI JUGAR obteniendo una menor penalidad de S/. 4

Aplicando penalidades

Decisión SG NG 4. Penalid
SJ 0 4 4
NJ 2 240 000 0 2 240 000

• Penalidad SJ vs SG = (2 240 000 – 2 240000) = 0

• Penalidad NJ vs SG = (2 240 000 – 0) = 2 240 000
• Penalidad SJ vs NG = (0 - - 4) = 4
• Penalidad NJ vs NG = (0 - 0) = 0
Resultado: SI JUGAR obteniendo una menor penalidad de S/. 4

19
 09/09/2017

APLICANDO LOS CRITERIOS

5. Probabilístico
Incorporar de acuerdo al conocimiento o
creencia del decisor una probabilidad relativa
de que cada resultado sea posible. Seleccione
el mayor valor esperado.
Para el ejemplo: le agregamos la probabilidad de
que alguien gane la tinka es de 0.0001% y de
perder 99.9999%.

APLICANDO LOS CRITERIOS

5. Probabilístico
Incorporar de acuerdo al conocimiento o creencia del decisor una
probabilidad relativa de que cada resultado sea posible. Seleccione el
mayor valor esperado.
Para el ejemplo: le agregamos la probabilidad de que alguien gane la
tinka es de 0.0001% y de perder 99.9999%.

Valor Esperado SJ = 2 800 000 * 0.0001% + (-4) * 99.9999%

= -1.2 (se perderá S/ 1.2)
Valor Esperado NJ = 0
Resultado: NO JUGAR.
• Resultado: NO JUGAR obteniendo una menor pérdida de S/. 0

20
 09/09/2017

RESULTADOS APLICANDO CRITERIOS

DE DECISIÓN

• Criterio Resultado
• Optimista (MAXIMAX) SJ
• Pesimista (MAXIMIN) NJ
• Hurwicz (alfa α ) SJ
• Penalizacion (Pena MINIMAX) SJ
• Probabilístico NJ

VALOR ESPERADO DE LA
INFORMACIÓN

Decisión SG NG
SJ 2 240 000 -4
NJ 0 0

21
 09/09/2017

VALOR ESPERADO DE LA INFORMACIÓN

Valor esperado Ganancia Ganancia

De la información = Esperada con la
información
- Esperada sin la
información
Perfecta
Perfecta Perfecta

Ganancia
Ganancia Ganancia
Esperada con la
información
perfecta
= Esperada con la
informaciòn *P1 + Esperada con la
informaciòn * P2
perfecta perfecta

Tomar el mayor valor de cada resultado incluyendo su probabilidad

correspondiente

VALOR ESPERADO DE LA INFORMACIÓN

Ganancia
De la información = 2240 000 * 0.0001% +(0) * 99.9999% = 2.24
Perfecta

Valor esperado
De la información
Perfecta
=
2.24 - 0
Valor esperado
De la información
Perfecta
=
2.24
La información perfecta aumenta la ganancia esperada de 0 a 2.24 soles, es decir aumenta en 2.24 soles y
esto es lo máximo que se puede pagar por información adicional para ganar el juego

22
 09/09/2017

EJEMPLO 2

• Una empresa desea decidir entre sembrar caña de azúcar (inversion $ 12 000) o
sembrar maíz (inversion $ 6000). Utilice un α = 0.70

Clima Ingresos Ingresos Probabilidad

Azúcar Maíz

Bueno 20 000 10 000 0.1

Regular 14 000 7 000 0.7
Malo 2 000 1 000 0.2

ARBOL DE DECISIÓN

CB 8000
SC
CR 2000

CM - 10000

CB 4000
SM
CR 1000

CM - 5000

23
 09/09/2017

APLICANDO CRITERIOS

Decisión CB CR CM 1. 2. Pesimista 3. 4. Penali- 5.

Optimista (MAXIMIN) Hurcwicz dades Probabi-
(MAXIMAX) (α = 0.70) lidades

SC 8 2 -10 8 -10 2.6

SM 4 1 -5 4 -5 1.3

8 (SC) -5 (SM) 2.6 (SC)

• 3. Hurwicz (alfa = 0.70)

SC = (8)(0.7) + (-10)(0.3) = 2.6 ****
SM = (4)(0.7) + (-5)(0.3) = 1.3
4. Penalización
SC vs CB = 8-8=0 SC vs CR = 2-2=0
SM vs CB = 8 – 4 = 4 SM vs CR = 2-1=1 CB CR CM Pesim
SM vs CM = -5 – -10 = 5 SC 0 0 5 5
SM vs CM = -5--5=0
SM 4 1 0 4
5. Probabilidades
SC = (8)(0.1)+(2)(0.7)+(-10)(0.2) = 0.2 ****
Sm = (4)(0.1)+(1)(0.7)+(-5)(0.2) = 0.1

24
 09/09/2017

APLICANDO CRITERIOS

Decisión CB CR CM 1. 2. 3. 4. Penali- 5.
Optimista Pesimista Hurcwicz dades Probabi-
(MAXIMAX) (MAXIMIN) (α = 0.70) lidades

SC 8 2 -10 8 -10 2.6 5 0.2

SM 4 1 -5 4 -5 1.3 4 0.1

0.2
8 (SC) -5 (SM) 2.6 (SC) 4 (SM)
(SC)

VALOR ESPERADO DE LA
INFORMACIÓN

Ganancia
De la información = 8 * 0.1% + 2 * 0.7% - 5 * 0.2% = 1.2
Perfecta

Valor esperado
De la información
Perfecta
=
1.2 - 0.2
Valor esperado
De la información
Perfecta
=
1.0
La información perfecta vale $ 1.0, para aumentar las ganancias de 0.2 a 1.2.

25
 09/09/2017

VALOR
ESPERADO DE LA
INFORMACIÓN
DE LA MUESTRA
UNIVERSIDAD PRIVADA DEL NORTE
Departamento de Ciencias ESTADISTICA APLICADA

SESION Nº 02

Definición de Probabilidad

Ms. Karina Cárdenas Rodríguez

PARA EL EJERCICIO DE LA TINKA

TOMAR LOS SIGUIENTES INDICADORES PARA ESTE PROYECTO:

INDICADOR DESCRIPCION
I1 Menos del 30% se gana el juego

I2 Más del 30% de las veces se gana el juego

Finalmente el resultado de la investigación del mercado se utiliza para volver

a evaluar las probabilidades de los diferentes resultados.
Valor Esperado de la Información de la Muestra

Resultado
Indicador SG NG
l1 0.3 0.7 < 30
l2 0.2 0.8 > 30

26
 09/09/2017

TINKA

Decisión SG NG MaxiMax MaxiMin HURCWICHZ PENALIDAD PROBABILIDAD

SJ 2240000 -4 2240000 -4 1791999.2 4 -1.759996
NJ 0 0 0 0 0 2240000 0
2240000 0 1791999.2 4 0
Alfa = 0.8

Penalidad: Probabilidad:
SG NG SG NG
SJ 0 4 0.0001% 99.9999%
NJ 2240000 0

Valor Esperado de la Información

GECIP : 2.24
GESIP : 0

VEIP : 2.24

PROBABILIDAD MARGINAL, CONJUNTA Y CONDICIONAL

27
 09/09/2017

PROBABILIDAD MARGINAL, CONJUNTA Y CONDICIONAL

Probabilidad Marginal: Probabilidad Conjunta:

P(l1) = 0.5999997 P(SG ∩l1) = 0.0000003 P(SG ∩l2) = 0.0000002

P(l2) = 0.7999994 P(NG ∩l1) = 0.5999994 P(NG ∩l2) = 0.7999992

Probabilidad condicional:

P(SG /l1) = 0.00000050 P(SG /l2) = 0.00000025

P(NG /l1) = 0.9999995 P(NG /l2) = 0.99999975

RESULTADOS DE L1 Y L2

Si la información adicional tiene como resultado l1

Decisión SG NG Total
SJ 1.12000056 -3.999998 -2.87999744
NJ 0 0 0

Si la información adicional tiene como resultado l2

Decisión SG NG Total
SJ 0.56000042 -3.999999 -3.43999858
NJ 0 0 0

28
 09/09/2017

VALOR ESPERADO DE LA INFORMACIÓN DE LA MUESTRA

Valor Esperado de la Información de la Muestra

GECIM : 0
GESIM : 0

VEIM : 0

Eficiencia de la Información de la Muestra:

EIM = 0.00%

La decisión optima es la de No Jugar con una ganancia esperada de 0

EJERCICIO DE LA SIMBRA DE CAÑA Y MAÍZ

TOMAR LOS SIGUIENTES INDICADORES PARA ESTE PROYECTO:

INDICADOR DESCRIPCION
I1 Menos del 30% de las veces el clima es adecuado para
la siembra
I2 Más del 30% de las veces el clima es adecuado para la
siembra

Finalmente el resultado de la investigación del mercado se utiliza para volver

a evaluar las probabilidades de los diferentes resultados.

Probabilidades condicionales de los indicadores dados por el resultado para

este proyecto
RESULTADO
INDICADOR B R M
I1 0.5 0.3 0.2
I2 0.7 0.2 0.1

29
 09/09/2017

ESTAS PROBABILIDADES
CONDICIONALES Y LAS ESTIMADAS
ORIGINALES DE PROBABILIDAD DE
LOS DIFERENTES RESULTADOS
PUEDEN RESUMIRSE EN UN ARBOL 4
DE PROBABILIDADES P(I1/B) = 0.3

P(I2/B) = 0.7
5
P(B) = 0.1

4
P(I1/R) = 0.4

P(R) = 0.7 P(l1)  P( B) * P( L1/ B)  P( R) * P( L1/ R)  P(M ) * P( L1/ M )

0 2

P(I2/R) = 0.6
5

4
P(M) = 0.2
P(I1/G) = 0.8

P(l 2)  P( B) * P( L2 / B)  P( R) * P( L2 / R)  P(M ) * P( L2 / M )
3

P(I2/G) = 0.2 5

P(l1)  P(B) * P(L1/ B)  P(R) * P(L1/ R)  P(M ) * P(L1/ M )

P(l1)  0.1* 0.3  0.7 * 0.4  0.2 * 0.8
P(l1)  0.03  0.28  0.16  0.47

P(l 2)  P(B) * P(L2 / B)  P(R) * P(L2 / R)  P(M ) * P(L2 / M )

P(l 2)  0.1* 0.7  0.7 * 0.6  0.2 * 0.2

P(l 2)  0.07  0.42  0.04  0.53

30
 09/09/2017

P(l1)  P(B) * P(L1/ B)  P(R) * P(L1/ R)  P(M ) * P(L1/ M )

P(l1)  0.03  0.28  0.16  0.47
P(l 2)  P(B) * P(L2 / B)  P(R) * P(L2 / R)  P(M ) * P(L2 / M )
P(l 2)  0.07  0.42  0.04  0.53
Probabilidad Conjunta

P( B  L1)  P( B) * P( L1 / B)
P( B l1)  0.1* 0.3  0.03 P( B l 2)  0.1* 0.7  0.07
P( R l1)  0.7 * 0.4  0.28 P( R l 2)  0.7 * 0.6  0.42
P(M l1)  0.2 * 0.8  0.16 P(M l 2)  0.2 * 0.2  0.04

ESTE ÁRBOL NOS SIRVE PARA CALCULAR LAS

NUEVAS ESTIMACIONES DE LAS PROBABILIDADES
DE LOS DIFERENTES RESULTADOS EN RELACIÓN
A SU INDICADOR.

POR EJEMPLO SI EL RESULTADO DE LA

INVESTIGACIÒN ES EL INDICADOR I1 ¿CUÁL ES LA
PROBABILIDAD CONDICIONAL DE QUE SEA UN
ÉXITO ES DECIR P(B/I1).

31
 09/09/2017

Probabilidad Marginal

P(I1) = 0.47

P(I2) = 0.53

Por consiguiente se tiene la siguiente

tabla:

Probabilidades conjuntas de los resultado y los indicadores para este proyecto

RESULTADO
INDICADOR B R M Marginal
I1 0.03 0.28 0.16 0.47
I2 0.07 0.42 0.04 0.53

Probabilidad P( B  l1)
P( B / l1) 
condicional: P(l1)
P( B  l1) 0.03 P( B  l 2) 0.07
P( B / l1)    0.06382979 P( B / l 2)    0.13207547
P(l1) 0.47 P(l 2) 0.53
P( B  l1) 0.28 P( B  l 2) 0.42
P( R / l1)    0.59574468 P( R / l 2)    0.79245283
P(l1) 0.47 P(l 2) 0.53

P( M  l1) 0.16 P( M  l 2) 0.04

P( M / l1)    0.34042553 P( M / l 2)    0.07547170
P(l1) 0.47 P(l 2) 0.53

32
 09/09/2017

INDENTIFICACIÒN DE LA DECISIÓN ÓPTIMA BASADA EN

LAS PROBABILIDADES REVISADAS

SI LA INVESTIGACION DE MERCADO TIENE COMO RESULTADO EL I1:

Decisión CB CR CM TOTAL

SC 8*0.06382979 2*0.59574468 -10*0.34042553 -1.70212762

SM 4*0.06382979 1*0.59574468 -5*0.34042553 -0.85106381

SI LA INVESTIGACION DE MERCADO TIENE COMO RESULTADO EL I2:

Decisión CB CR CM TOTAL

SC 8*0.13207547 2*0.79245283 -10*0.0754717 1.88679242

SM 4*0.13207547 1*0.79245283 -5*0.0754717 0.94339621

La decision optima es la sembrar caña con una ganancia esperada de 1.88679.

CÁLCULO DEL VALOR ESPERADO DE LA

MUESTRA DE INFORMACIÓN

-
Ganancia Ganancia
Valor esperado
Esperada sin la
De la información
De la Muestra
= Esperada con la
información
de la Muestra
información
de la Muestra

Ganancia Ganancia
Ganancia

= *P(I1) + *P(I2)
Esperada con la Esperada cuando
Esperada cuando
información el indicador es l2
el indicar es l1
de la Muestra

33
 09/09/2017

POR LO TANTO:

Ganancia
Esperada con la
información
de la Muestra
= -0.85106381 * 0.47 + 1.88679242 *0.53 = 0.6
Valor esperado
De la información
De la Muestra = 0.6 - 0.2 = 0.4
La ganancia esperada se adicionará en 0.4 si se utilizan los resultados de la
investigación de mercado. No debe gastar más de 0.4 en la investigación de
mercado

EFICIENCIA DE LA INFORMACION DE LA MUESTRA

Eficiencia de la Valor esperado de la información de la muestra

información de
la muestra = Valor esperado de la información perfecta

Eficiencia de la 0.4
información de
la muestra
= 1.0 * = 40%

Esta información de muestra proporciona que hay 40% de que

obtendrá la información perfecta.

34
 09/09/2017

EJEMPLO N° 03

•Consultoria
Un empresario piensa colocar una consultoria de Seguridad y requiere saber si
tendrá éxito o No. Para ello se tiene la siguientes alternativas, para el personal a
contratar:
•Consultores que no tienen experiencia, lo que indica un nivel bajo de impacto
•Algunos consultores tienen experiencia, lo que indica un nivel moderado de
impacto
•Todos los consultores tienen experiencia lo que indica un nivel alto de impacto
Además maneja las siguientes probabilidades de resultados:

RESULTADOS
PROBABILIDAD
para cada una de FRACASO ÉXITO GRAN ÉXITO
las alternativas: 0.4 0.4 0.2

Alfa = 0.70

Ejemplo N° 03
ALTERNATIVAS / RESULTADOS
DECISIONES
FRACASO ÉXITO GRAN ÉXITO
BAJA (B) -2 5 8
MODERADO (M) -5 10 12
ALTA (A) -8 6 15
Tomar los siguientes indicadores para este proyecto:

INDICADOR DESCRIPCIÒN
I1 Menos del 20% de las asistencias se espera que se ejecuten de manera
regular
I2 Más del 20% de las asistencias se espera que se ejecuten de manera regular

Finalmente el resultado de la investigación del mercado se indica en el la tabla

siguiente:

Probabilidades condicionales de los indicadores dados por el resultado para este proyecto
RESULTADO
INDICADOR
F E G
I1 0.8 0.3 0.1
I2 0.2 0.7 0.9

35
09/09/2017

36