Análisis de Decisiones

UNIVERSIDAD NACIONAL MAYOR DE
SAN MARCOS
Facultad de Ciencias Administrativas
Escuela Profesional de Administración
ANÁLISIS DE DECISIONES
Integrantes:
Chavez Velasquez, Ingrid Carolay
Rojas Aróstegui, Gino Paolo
Rossel Lauriano, Ysabo Lizbeth
Robles Altamirano, Gianella Romina
Curso:
Herramientas para la Toma de decisiones.
Profesor:
Edgar Vicente Armas
2019
INDICE
I. INTRODUCCIÓN ..................................................................................... 3
II. OBJETIVOS: ......................................................................................... 4
III. MARCO TEÓRICO: ............................................................................. 5
3.1. ANÁLISIS DE DECISIONES ............................................................... 5
3.1.1. DIAGRAMA DE INFLUENCIAS ................................................................6
3.1.2. TABLAS DE RESULTADOS.................................................................7
3.1.3. ÁRBOLES DE DECISIÓN........................................................................7
3.1.4 TABLA DE RESULTADOS PARA EL PROYECTO DE CONDOMINIOS
DE PDC .............................................................................................................. 10
3.1.5 ÁRBOL DE DECISIÓN PARA EL PROYECTO DE CONDOMINIO DE
PDC 11
3.2. TOMA DE DECISIONES ............................................................................. 11
3.2.1 TOMA DE DECISIONES SIN PROBABILIDADES ................................ 12
3.2.1.1 Enfoque Optimista .............................................................................. 12
3.2.1.2 Enfoque conservador ......................................................................... 13
3.2.1.3 Enfoque de arrepentimiento minimax ................................................. 14
3.2.1.4 Principio de Laplace ........................................................................... 15
3.2.2 TOMA DE DECISIONES CON PROBABILIDADES .................................. 16
3.2.2.1 Valor esperado ................................................................................... 16
3.2.2.2 Valor Esperado de Información Perfecta ............................................ 19
3.3 ANÁLISIS DE RIESGO ................................................................................ 21
3.4 ANÁLISIS DE SENSIBILIDAD...................................................................... 22
3.5 ANALISIS DE DECISIONES CON INFORMACION MUESTRAL ................ 23
3.5.1 DIAGRAMA DE INFLUENCIA .............................................................. 23
3.5.2 ARBOL DE DECISION .......................................................................... 24
3.5.3 ESTRATEGIA DE DECISIÓN ................................................................ 25
3.5.4 . PERFIL DE RIESGO ........................................................................... 25
3.5.5 . VALOR ESPERADO DE LA INFORMACION MUESTRAL.................. 26
3.6 CÁLCULO DE PROBABILIDADES CON TEOREMA DE BAYES ................ 27
IV. CONCLUSIONES: ........................................................................................ 32
IV. BIBLIOGRAFIA: ......................................................................................... 33
UNMSM | Herramientas para la Toma de Decisiones

Este trabajo está dedicado a
nuestros padres, que han
sabido darnos una educación
en valores y enseñarnos a
valorar cada logro por pequeño
que este sea y a aprender algo
positivo de cada error
cometido.

I. INTRODUCCIÓN
El presente trabajo se ha realizado con la finalidad de afianzar los conocimientos del
curso Herramientas para la toma de decisiones, los cuales hemos adquirido hasta
mediados del presente semestre 2019-II.
Asimismo, otro objetivo muy importante es el de detallar paso a paso el desarrollo de
problemas de programación lineal, desde la modulación del problema hasta su desarrollo
por el método gráfico, utilizando el software Geogebra y métodos de solución de
problemas como Simplex, también se utiliza el análisis de sensibilidad de la Función
Objetivo y de los productos, o por el lado derecho. A fin de lograr un buen nivel de
dominio e interpretación de los mismos.
Es por eso que este trabajo resume lo desarrollado hasta el momento en el curso de
Herramientas para la toma de decisiones.

II. OBJETIVOS:
 Aplicar el método Simplex y Simplex Dual.
 Representar gráficamente la solución de un modelo matemático.
 Interpretar la sensibilidad de la función objetivo y del lado derecho.
 Comprender los conceptos relacionados con Investigación de operaciones.
 Modelar problemas del ámbito empresarial
 Obtener dominio en el uso del aplicativo Solver de Microsoft Excel.

III. MARCO TEÓRICO:
3.1. ANÁLISIS DE DECISIONES

Es la disciplina que consiste en evaluar alternativas complejas en términos de valores y de
incertidumbre (lo que no se conoce). Este análisis brinda información sobre las diferencias que
existe entre las alternativas definidas y genera nuevas sugerencias y mejores alternativas.
Para ello se hace uso de los números para cuantificar valores e incertidumbre subjetivas, lo que
permite comprender la situación de decisión. Gracias a los resultados numéricos se genera
información cualitativa.
Una vez definida la estructura y los números, el análisis puede comenzar. El Análisis de
Decisiones implica mucho más que calcular la utilidad esperada y ponderada de cada
alternativa. Si nos detuviéramos aquí, los decisores no tendrían demasiada información.
Tenemos que examinar la sensibilidad de la utilidad esperada y ponderada para las
probabilidades clave, y los parámetros de ponderación y preferencia de riesgo. Como parte del
análisis de sensibilidad podemos calcular el valor de la información perfecta para
incertidumbres que han sido modelizadas explícitamente.
Entre las comparaciones cuantitativas adicionales se incluye la comparación directa de la
utilidad ponderada por dos alternativas en todos los objetivos y la comparación de todas las
alternativas en dos objetos seleccionados, demostrando la optimalidad de Pareto para estos
objetivos.
La complejidad del mundo moderno, la cantidad de información, incertidumbre y el riesgo,
requieren un marco racional para la toma de decisiones donde se tienen que dar lo siguiente:
Incorporar orientación, información, discernimiento y estructura de toma de decisión para que
la decisión sea la más racional. (Arsham, s.f.)

3.1.1. DIAGRAMA DE INFLUENCIAS
Como decidir si no sabemos lo que va ocurrir ante este enunciado se da como respuesta,
incorporar la incertidumbre en el proceso decisorio y para esto existen algunas herramientas y
métodos de análisis que ayudan a identificar la incertidumbre y medir su impacto.
El diagrama de influencia es una de ellas, al analizar las decisiones busca la claridad ante
situaciones complejas y confusas. En ella se identificará las variables no controlables (eventos
inciertos con distintos grados de probabilidad) con sus interrelaciones.
También nos permitirá considerar todas las variables clave antes de tomar la decisión y entender
cómo se impactan unas a otras y ala resultado final esperado.
Lineamientos:
 Nodos
 Figuras de diferentes formas representan los elementos relevantes de la situación. El
objetico final es alcanzar con la decisión (rentabilidad)
 Los nodos cuadrados se utilizan para indicar que debemos tomar para alcanzar nuestro
objetivo final.
 Los nodos circulares representan variables no controlables que no conocemos.
 Los nodos circulares de color amarillo o con doble contorno son determinísticos. Si bien
están sujetos a la incertidumbre, su valor dependerá directamente de la variable y las
decisiones que las condicionen.
 Flechas
Los nodos están conectados por flechas
Una flecha entre dos nodos indica que:
 Primer evento precede al segundo

 Primer evento influye o condiciona al segundo
 Una flecha de influencia puede significar que las probabilidades o valores que puede
adoptar una variable depende de los valores de la variable o decisión precedente; o que
la variable o decisión afectan de alguna manera el objetivo final.
3.1.2. TABLAS DE RESULTADOS

En el análisis de decisiones se refiere a la consecuencia asociada con cada alternativa de
decisión y un estado de la naturaleza. En el análisis de daciones se refiere a la consecuencia
resultante de una combinación específica de una alternativa de solución y un estado de la
naturaleza como resultado o consecuencia. Tabla que muestra todos los resultados para todas
las combinaciones de alternativas de decisión y estados de la naturaleza. (Martin, 2011, pág.
100)
3.1.3. ÁRBOLES DE DECISIÓN

Un árbol de decisión es, para quien lo va a tomar la decisión, un modelo esquemático de las
alternativas disponibles y de las posibles consecuencias de cada una, su nombre proviene de la
forma que adopta el modelo, parecido a la de un árbol. El modelo está conformado por múltiples
de nodos cuadrados que representan puntos de decisión y de los cuales surgen ramas (que deben
leerse de izquierda a derecha), que representan las distintas alternativas, las ramas que salen de
los circulares, o causales, que representan los eventos. La probabilidad de cada evento, P(E), se
indica encima de cada rama, las posibilidades de todas las ramas deben sumar 1.0k. (Lee J.
Krajewski, 2000, pág. 76)
Muchas situaciones en las que tenemos que tomar decisiones escalonadas o secuenciales que
son determinadas por situaciones futuras, son aptas para analizar mediante arboles de decisión.
El uso de esta herramienta siempre puede ser buena opción y de gran importancia.

Cuando se habla de análisis o gestión de riesgo de cualquier proyecto ya que se alimenta de
experiencias y estadísticos con las que al final se puede llegar a una alternativa que balancee el
riesgo y beneficio de las acciones o planes a realizar en un proyecto o a una lluvia de ideas para
resolver una necesidad o un problema permitiendo estimar costos ,riesgos ,consecuencias
probabilidades y demás factores que afectan el proyecto ,lo que ayuda a construir un caso de
negocio completo para tomar una decisión donde se obtengan ganancias.
Los arboles de decisión son usados en diferentes ámbitos de la vida en los que tengamos que
tomar decisiones de cualquier tipo.
Jurídica: Es una herramienta puede ser usada en la toma de decisiones de un abogado sobre
demandar o no demandar teniendo en cuenta la probabilidad de ganar el juicio y lo que implica
monetariamente y probabilísticamente ganar o no el caso.
Administración de Operaciones: Se usa en la planificación de productos y administración de
procesos o capacidad, ya que permite evaluar diferentes alternativas de expansión cuando hay
problemas de capacidad o cuando la demanda es incierta y también cuando hay involucrada
más de una decisión (Lee J. Krajewski, 2000)

Pittsburg Development Corporation compro un terreno donde construirá un nuevo complejo
de condominios de lujo. La locación proporciona una vista espectacular del centro del centro
de Pittsburg y el Golden Triangle, donde los ríos Allegheny Monongahela se unen para formar
el río Ohio.PDC planea asignar precios a las unidades de condominios individuales entre
$300,000 y $1’400,000.
PDC encargó los planos arquitectónicos preliminares para tres proyectos diferentes: uno con
30 condominios, otro con 60 y el último con 90.El éxito financiero del proyecto depende del
tamaño del complejo de condominios y del evento fortuito concerniente a la demanda que
tengan los mismos. El problema de decisión de PDC es seleccionar el tamaño del nuevo
proyecto de condominios de lujo que generar la mayor utilidad dada la incertidumbre d e la
demanda.
Solución:
D1 = un complejo pequeño con 30 condominios.
D2 = un complejo mediano con 60 condominios.
D3 = un complejo grande con 90 condominios.
Los eventos fortuitos tienen dos estados de la naturaleza:
S1=demanda fuerte para los condominios
S2=demanda débil para los condominios
La gerencia debe seleccionar primero una alternativa de decisión (tamaño del complejo), luego
un estado de naturaleza (demanda de condominios) y finalmente ocurrirá una consecuencia; en
este caso, las utilidades de PDC.

DEMANDA
TAMAÑO DEL UTILIDADES

COMPLEJO
CONSECUENCIA
ALTERNATIVAS DE DECISIÓN
Utilidad
Complejo pequeño (d1)
Complejo mediano (d2)
Complejo grande (d3)
3.1.4 TABLA DE RESULTADOS PARA EL PROYECTO DE CONDOMINIOS DE PDC
(resultados en millones de dólares)
ESTADO DE NATURALEZA
ALTERNATIVA DE DEMANDA FUERTE S1 DEMANDA DÉBIL S2
DECISIÓN
Complejo pequeño d1 8 7
Complejo mediano d2 14 5
Complejo grande d3 20 -9
10

3.1.5 ÁRBOL DE DECISIÓN PARA EL PROYECTO DE CONDOMINIO DE PDC (resultados en
millones de dólares)
3.2. TOMA DE DECISIONES

El tomador de decisiones tiene el deber de escoger el camino más conveniente a seguir, de
entre varias opciones, aquel que le arroje el mejor resultado o aquel con la que el individuo se
sienta más cómodo o seguro de haber tomado una buena decisión. Para este fin, el decisor se
sostendrá de su propio criterio además de otros factores influyentes. Es decir, el camino que
se escoja dependerá en gran medida del juicio del tomador de decisiones; pero además de ello,
el tomador de decisiones, en busca de una mayor precisión, deberá tomar en cuenta la
presencia de una serie de factores involucrados en el caso de estudio, tales como las
probabilidades de los estados de naturaleza, el perfil de riesgo, la sensibilidad, entre otros
factores particulares de cada caso.
En esta sección del tema analizaremos la forma de tomar decisiones sin probabilidades.
11

3.2.1 TOMA DE DECISIONES SIN PROBABILIDADES
En este nivel, la toma de decisiones no requiere involucrar las probabilidades de que pase un
estado de la naturaleza. Muchas veces el tomador de decisiones no cuenta con la información
de estas probabilidades o se hace difícil conseguirlo, entonces opta por ejecutar un simple
análisis entre el mejor o peor caso posible.
Para ello tiene a disposición diferentes enfoques, entre los cuales el decisor deberá seleccionar
a su juicio el que sea más apropiado para el caso. (Hillier & Hillier, 2008, pág. 102)
3.2.1.1 Enfoque Optimista
Este enfoque evalúa las alternativas de decisión en función del mejor resultado posible. El
tomador de decisiones elige el camino que lo dirija al mejor resultado que pueda ocurrir en
consecuencia. Se pueden presentar 2 tipos de casos:
 En maximización: si se trata de utilidades, se escoge el resultado máximo por
cada alternativa de decisión, y entre estos se elige el que presente el valor
máximo. Entonces esa será la alternativa de decisión a tomar. Por ello el
enfoque es conocido como maximax.
 En minimización: si se trata de costos, se escoge el resultado mínimo por cada
alternativa de decisión, y entre estos se elige el que presente el valor mínimo.
Entonces esa será la alternativa de decisión a tomar. Por ello el enfoque es
conocido como minimin.
El razonamiento de este criterio es que da una oportunidad para que ocurra el mejor resultado
posible. Todo lo que se necesita es que suceda el estado de la naturaleza correcto, lo que el
eterno optimista cree que es probable. (Hillier & Hillier, 2008, pág. 309)
12

Un individuo totalmente optimista considera que para cada alternativa que seleccione, la
naturaleza actuará de la manera más favorable para él, y asociará a cada alternativa el evento
más favorable.
3.2.1.2 Enfoque conservador
La alternativa de decisión recomendada es aquella que proporciona el mejor de los peores
resultados posibles. Como en el enfoque anterior, aquí también se pueden presentar 2 casos:
 En maximización: si se trata de utilidades, se escoge el resultado mínimo por
cada alternativa de decisión, y entre estos se elige el que presente el valor
máximo. Entonces esa será la alternativa de decisión a tomar. Por ello el
enfoque es conocido como maximin.
 En minimización: si se trata de costos, se escoge el resultado máximo por cada
alternativa de decisión, y entre estos se elige el que presente el valor mínimo.
Entonces esa será la alternativa de decisión a tomar. Por ello el enfoque es
conocido como minimax.
Este enfoque de decisión se considera conservador debido a que identifica los peores
resultados posibles y luego recomienda la alternativa de decisión que evita la posibilidad de
obtener resultados sumamente “malos”.
Un individuo totalmente pesimista considera que para cada alternativa que seleccione, la
naturaleza actuará en la forma más perjudicial para él y, entonces, a cada alternativa asocia el
peor evento; pero, como se supone que es un individuo racional, y, por lo tanto desea más de
un bien deseable y menos de uno indeseable, seleccionará la alternativa asociada al evento
que menos lo perjudique o más le favorezca.
13

3.2.1.3 Enfoque de arrepentimiento minimax
Para este enfoque, el decisor deberá tener en cuenta un concepto llamado pérdida de
oportunidad o arrepentimiento. Dentro de este concepto, se evalúa en la suposición de
trabajar con cada uno de los resultados brindados, y lo comparamos con el mejor resultado de
estado de la naturaleza que haya ocurrido en dichas suposiciones.
En cuadro inferior se visualiza el ejemplo previamente utilizado de la empresa PDC con sus
resultados respectivos remarcados. Si como decisores, eligiéramos la alternativa de decisión
𝑑1 (complejo pequeño), y sucediera el estado natural 𝑠1 (demanda fuerte); nos percatamos de
que de haber sabido que ocurriría el estado natural 𝑠1 , hubiésemos preferido decidirnos por la
alternativa 𝑑3 , el cual arroja un resulta de $20 millones, superior al resultado de haber elegido
la alternativa 𝑑1 ($8 millones).
ALTERNATIVA DE DECISIÓN DEMANDA FUERTE S1 DEMANDA DÉBIL S2
Entonces llamamos a la diferencia positiva de estos dos valores como “perdida de
oportunidad” o “arrepentimiento”, que representa también el monto que se deja de ganar por
haber elegido esta alternativa dado que ocurrió determinado evento, que en este caso
alcanzaría los $12 millones.
Y sucesivamente por cada resultado se presentará un nivel de arrepentimiento como se
muestra a continuación:
14

ALTERNATIVA DE
demanda fuerte s1 demanda débil s2
DECISION
Complejo grande d3 0 16
Lo que se hace a continuación es determinar el mayor arrepentimiento por cada alternativa de
decisión, colocándonos en los peores casos; y de estos resultados elegir el mínimo
arrepentimiento máximo. Razón por la cual es llamado arrepentimiento minimax.
ALTERNATIVA DE
Arrepentimiento máximo
DECISION
Complejo pequeño d1 12
Complejo mediano d2 6
Complejo grande d3 16
Para el caso PDC la decisión recomendada sería la de construir un complejo mediano con el
arrepentimiento máximo correspondiente de $6 millones.
3.2.1.4 Principio de Laplace
El criterio de Laplace supone que ante la falta de información, los “n” eventos fortuitos son
equiprobables, por tanto se trabaja con el promedio de los resultados por cada alternativa.
Este criterio interpreta el comportamiento del individuo que escogería la alternativa cuya
suma de todos los resultados posibles o promedio fuera el máximo o el mínimo, según sean
utilidades o costos (Vélez Pareja, 2003).
Utilizando el mismo ejemplo de PDC operamos de la siguiente manera:
Siendo “n”= 2 → cada evento seria equiprobable a 50% → puede ocurrir tanto s1 como s2.
Entonces obtenemos los siguientes resultados:
15

ALTERNATIVA DE LAPLACE
DECISIÓN
Complejo pequeño d1 0.5 × (8) + 0.5 × (7) = 6
Complejo mediano d2 0.5 × (14) + 0.5 × (5) = 9.5
Complejo grande d3 0.5 × (20) + 0.5 × (−9) = 5.5
A continuación se decide construir un complejo mediano porque es el que arroja el mayor
promedio.
3.2.2 TOMA DE DECISIONES CON PROBABILIDADES
Cuando están disponibles las probabilidades para los estados de la naturaleza se puede usar el
enfoque del valor esperado para identificar la mejor alternativa de decisión.
3.2.2.1 Valor esperado
La esperanza matemática (también llamada esperanza o valor esperado) de una variable
aleatoria, es el número que formaliza la idea de valor medio de un fenómeno aleatorio.
Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de
cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto,
representa la cantidad promedio que se "espera" como resultado de un experimento aleatorio
cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un
elevado número de veces. Cabe decir que el valor que toma la esperanza matemática en
algunos casos puede no ser "esperado" en el sentido más general de la palabra (el valor de la
esperanza puede ser improbable o incluso imposible).
Por ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6 caras es 3,5.
Podemos hacer el cálculo:
1 1 1 1 1 1
𝑉𝐸(𝑥) = 1 ∗ +2∗ +3∗ +4∗ +5∗ +6∗
6 6 6 6 6 6
16

1+2+3+4+5+6
𝑉𝐸(𝑥) = = 3.5
6
Cabe destacar que 3,5 no es un valor posible al tirar el dado. En este caso, en el que todos los
sucesos son de igual probabilidad, la esperanza es igual a la media aritmética. Una aplicación
común de la esperanza matemática es en las apuestas o los juegos de azar. Por ejemplo, la
ruleta francesa tiene 37 casillas equiprobables. La ganancia para acertar una apuesta a un solo
número paga de 35 a 1 (es decir, cobramos 35 veces lo que hemos apostado). Por tanto,
considerando los 37 posibles resultados, la esperanza matemática del beneficio para apostar a
un solo número es:
36 1
(−1 ∗ ) + (35 ∗ )
37 37
que es aproximadamente -0,027027. Por lo tanto uno esperaría, en media, perder unos 2,7
céntimos por cada euro que apuesta, y el valor esperado para apostar 1 euro son 0.97273 euros
Nota: El primer término es la "esperanza" de perder la apuesta de 1€, por eso el valor es
negativo. El segundo término es la esperanza matemática de ganar los 35€. La esperanza
matemática del beneficio es el valor esperado a ganar menos el valor esperado a perder.
Entonces, el valor esperado (VE) de una alternativa de decisión di se define como sigue:
𝑉𝐸(𝑑1 ) = ∑ 𝑃(𝑆𝑗 )𝑉𝑖𝑗

𝑗=1
𝑃(𝑆𝑗 ) ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑒𝑠𝑡𝑎𝑑𝑜𝑠 𝑑𝑒 𝑛𝑎𝑡𝑢𝑟𝑎𝑙𝑒𝑧𝑎.
∑ 𝑃(𝑆𝑗 ) = 𝑃(𝑆1 ) + 𝑃(𝑆2 ) + ⋯ + 𝑃(𝑆𝑁 ) = 1

𝑗=1
17

Donde: N = número de estados de naturaleza.
P(Sj) = probabilidad del estado de la naturaleza Sj.
Ejemplo:
Tomando como referencia la tabla de resultados inicial:
DECISIÓN
Suponga que una evaluación de probabilidad subjetiva inicial dice que tiene 0.8 de
probabilidad de que la demanda será fuerte y una probabilidad de 0.2 de que la demanda será
débil. Usando los valores de resultados y la ecuación, se calcula el valor esperado para cada
una de las tres alternativas:
VE(d1) = 0.8(8) + 0.2(7) = 7.8
VE(d2) = 0.8(14) + 0.2(5) = 12.2
VE(d3) = 0.8(20) + 0.2(-9) = 14.2
Por tanto, utilizando el método del valor esperado, encontramos que el complejo de
condominios grande, con un valor esperado de $14.2 millones, es la decisión recomendada.
18

3.2.2.2 Valor Esperado de Información Perfecta
El Valor Esperado de la Información Perfecta (VEIP) es un indicador cuantitativo que mide
cuán lejos la solución en promedio está de la solución perfecta, es decir, de aquella solución
donde se conoce la demanda de antemano. De forma análoga el VEIP corresponde al precio
que se estaría dispuesto a pagar de modo de acceder a información perfecta respecto a la
realización de la demanda.
En términos administrativos, el valor esperado de la información perfecta (VEIP) es el valor
máximo que la empresa estaría dispuesta a pagar por conseguir información adicional y
perfecta antes de tomar una decisión.
Se podría decir que se trata del costo de oportunidad de elegir una decisión basada en el
criterio de la ganancia esperada.
Se trata de los casos en los que se tiene que evaluar o decidir si es conveniente pagar el costo
de adquirir información adicional al proyecto que se está evaluando, que sea de utilidad de
cara a la toma de decisiones, como puede ser una investigación de mercados para conocer la
demanda que se tendrá de un producto específico, para así decidir si la empresa invierte en
expansión o no.
En general, el valor esperado de la información perfecta (VEIP) se calcula como sigue:
𝑉𝐸𝐼𝑃 = |𝑉𝐸𝑐𝐼𝑃 − 𝑉𝐸𝑠𝐼𝑃|
Donde:
VEIP = valor esperado de la información perfecta
VEcIP = valor esperado con información perfecta sobre los estados de la naturaleza
19

VEsIP = valor esperado sin información perfecta sobre los estados de la naturaleza
VEIP es el Valor Esperado Monetario de la Información Perfecta y es la ganancia esperada
que se obtendría si se adapta la decisión que se tome con la información perfecta que se
proporcione.
VEsIP es el Valor Esperado Monetario sin contar con la información perfecta. Es decir, con
un valor de probabilidad que hace que las ganancias puedan ser menores.
Si recordamos el uso de la herramienta de los árboles de probabilidad, el que ocurra un evento
determinado ante varios posibles escenarios, se multiplicaba el evento por la probabilidad de
ocurrencia del mismo. Si se tiene la información perfecta, es decir, sin la incertidumbre de
que suceda o no el evento, entonces la probabilidad de que suceda es del 100%, por lo que al
multiplicarlo por dicha probabilidad el valor será mayor.
Ahora, continuando con el ejemplo:
DECISIÓN
Si la compañía supiera con seguridad que ocurrirá un estado de la naturaleza s1, la mejor
alternativa de decisión sería d3 con un resultado de 20 millones. Del mismo modo, si supiera
con seguridad que ocurrirá el estado de la naturaleza s2, la mejor alternativa de decisión sería
d1, con un resultado de 7 millones.
20

¿Cuál es el valor esperado con esta estrategia de decisión?
0.8(20) + 0.2(7) = 17.4
El valor esperado sin información perfecta es de 14.2 millones y el valor esperado con
información perfecta es 17.4 millones:
17.4 – 14.2 = 3.2 millones
Luego, 3.2 millones representa el valor esperado adicional que podría obtenerse si se
dispusiera de información perfecta acerca de los estados de la naturaleza.
3.3 ANÁLISIS DE RIESGO
Una vez hallado y determinado el Valor Esperado optimo relacionado a una alternativa de
decisión, aun nos preguntamos si esta en verdad es la mejor alternativa a elegir, debido a que
para tomar esta decisión nos hemos sujetado a terminaciones probabilísticas, es decir solo hay
un cierto grado de certeza que esto acurra así (valor esperado). Pues este valor lo hemos
encontrado de la ocurrencia de dos posibles escenarios.
a. Perfil de riesgo
Son los escenarios probables de ocurrir en la realidad al elegir una alternativa de decisión. El
decisor puede adoptar una posición optimista y elegir esta alternativa porque es resultado
favorable es convincente. Por otra parte al adoptar una posición pesimista, el decisor podría
desanimarse debido a la posibilidad de ocurrir un escenario desfavorable y razonadamente
buscar otra alternativa de decisión con la cual no arriesgue tanto; como en el ejemplo de PDC.
21

Perfil de riesgo para el complejo grande
0.9
0.8
0.7
Probabilidades
0.6
0.5
0.4
0.3
0.2
0.1
0
-9 0 10 20
Utilidades (millones de dolares)
En este ejemplo el decisor se percata de que hay un riesgo considerable con
probabilidad del 20% de que se obtengan pérdidas de $9 millones si se toma la decisión de
construir el complejo grande, por lo cual entra en duda la decisión, y más aún ante la
presencia de otra alternativa cuya ausencia de probabilidad de perdida la hace tentativa.
El perfil de riesgo para la alternativa de decisión del complejo mediano (d2) muestra
una probabilidad de 0.8 para un resultado de $14 millones y una probabilidad de 0.2 para un
resultado de $5 millones. Debido a que no hay una probabilidad de una pérdida asociada con
la alternativa de decisión d2, la alternativa de decisión del complejo mediano se consideraría
menos riesgosa que la de decisión del complejo grande. Como resultado, un tomador de
decisiones podría preferir la alternativa de decisión del complejo mediano menos riesgoso,
aun cuando tenga un valor esperado de $2 millones menos que la alternativa de decisión del
complejo grande.
3.4 ANÁLISIS DE SENSIBILIDAD
22

3.5 ANALISIS DE DECISIONES CON INFORMACION MUESTRAL
Con frecuencia quienes toman la decisión cuentan con evaluaciones preliminares, que son los
mejores valores de probabilidad en ese momento, no obstante, para tomar la mejor decisión
quienes toman la decisión obtendrán información adicional sobre los estados de la naturaleza,
para así revisar o actualizar las probabilidades anteriores logrando obtener una conclusión más
certera. Con mucha frecuencia la información adicional se logra obtener mediante experimentos
pensados para proporcionar información muestra, ejemplo de estos experimentos son el
muestreo de materia prima, investigación de mercados, pruebas de productos y demás,
probabilidades a las cuales llamaremos probabilidades posteriores.
3.5.1 DIAGRAMA DE INFLUENCIA

Al realizar un análisis de decisiones se busca obtener claridad ante situaciones complejas o
confusas, el plasmar estas decisiones en herramientas nos brinda una mayor comprensión de
estas ya que nos permite visualizar mediante graficas los elementos claves de estas decisiones.
La simplicidad visual con la que cuenta esta herramienta permitirá a diversas áreas dentro de
una organización encontrar fácilmente las variables involucradas al tomar una decisión.
Esta herramienta llamada diagrama de influencia nos ayudara a identificar las variables inciertas
con sus interrelaciones. El diagrama nos permitirá tomar en cuenta todas las variables
importantes antes de tomar una decisión y entender cómo se interrelacionan las unas a las otras
logrando así obtener el valor esperado. Para poder entender el diagrama de influencia debemos
de tener en cuenta que este cuenta con nodos de diferentes formas ya sean ovalados o cuadrados
estos representan los elementos relevantes de la situación, cada elemento contara con un nodo
distinto, el diagrama contara con nodos fortuitos que serán el resultado de la investigación y el
nodo de consecuencia que se interrelacionara con los nodos fortuitos. Estos nodos están
conectados por flechas, la cual al unir los nodos indicara que el primer evento precede al
segundo o que el primer evento o que este influye o condiciona al segundo.
23

3.5.2 ARBOL DE DECISION
El árbol de decisiones es un modelo grafico que se emplea para estructurar el proceso de toma
de decisiones bajo incertidumbre asociada a la ocurrencia de eventos considerados claves. El
primer paso para resolver problemas complejos es descomponerlos en subproblemas más
simples, los árboles de decisión ilustran la manera en que se pueden desglosar los problemas y
la secuencia del proceso de decisión. Muchos problemas de decisión del mundo real se
conforman en una secuencia de decisiones dependientes, por lo que los árboles de decisión se
utilizan en los análisis de procesos de decisión escalonados. “Cuando se presentan problemas
de decisión “Secuenciales” o “encadenadas” (Alternativas con consecuencias que derivan en
nuevas decisiones, inmediatas y también a más largo plazo), la representación gráfica mediante
el ordenamiento de un árbol resulta más provechosa para optar por la mejor solución”
(Mangani, 2015, pág. 7).
Según Hernández (2015) existen diferentes tipos de árboles de decisión, que son catalogados
según la situación y el resultado deseado, él los cataloga en los siguientes tipos:
1. Árbol de clasificación o binario: se usa cuando hay varias alternativas que se han calculado
anteriormente para obtener resultados más predecibles, para hacer uso de estos, hay que trazar
esquemas binarios y proyectar las diferentes variables o ramas del árbol, gracias a las
probabilidades de estas se puede predecir un poco el resultado. Es usado en probabilidad,
estadística y minería de datos.
2. Árbol de regresión: este tipo de árbol ayuda a determinar un único resultado ya que se tiene
la información necesaria para identificar una “ruta” óptima. Cuando se construye este árbol se
divide la información en secciones o subgrupos. Este tipo de árbol es muy usado en bienes
raíces.
24

3. Árbol de mejora: es usado cuando se desea tener un resultado más preciso; el árbol se
construye, luego se toma una variable, esta se calcula y se estructura para reducir la
incertidumbre y los errores a la hora de tomar decisiones. Este árbol es usado en contabilidad y
matemática.
4. Árboles mixtos entre regresión y clasificación: es usado para prever un resultado con
variables impredecibles, generalmente se usan indicadores
Los árboles de decisión constan de: nodos de decisión representados por un cuadrado, nodos de
probabilidad representados por un circulo y ramas o alternativas representadas por líneas o una
línea cruzada por otras dos, para notar que es una decisión rechazada. Al momento de diseñar
y analizar un árbol de decisión, se debe tener en cuenta las especificaciones ya antes señaladas.
3.5.3 ESTRATEGIA DE DECISIÓN

Una estrategia de decisión es una secuencia de decisiones y resultados al azar, en donde estas
decisiones se toman de los resultados de los eventos aleatorios aún por determinar.
El método a tomar en cuenta para llegar a la estrategia de decisión optima se basa en avanzar
en sentido inverso por el árbol de decisión siguiendo estos pasos:
En los nodos fortuitos calcular el valor esperado mediante la multiplicación del resultado final
de cada rama por las probabilidades de rama correspondientes.
En los nodos de decisión, seleccionar la rama de decisión que conduzca al mejor valor esperado,
el cual se vuelve el valor esperado en el nodo de decisión.
3.5.4 . PERFIL DE RIESGO

El perfil de riesgos nos indicara los resultados posibles con sus respectivas probabilidades
asociadas. En otras palabras, son las conclusiones a alcanzar con la muestra obtenida según el
modelo de análisis. Por su parte este perfil nos generará diversos escenarios a los que se hará
25

frente con probabilidades optimistas y pesimistas. Para poder construir un perfil de riesgo para
la estrategia de decisión optima necesitamos calcular la probabilidad de cada uno de los
resultados obtenidos en las ramas terminales del árbol de decisión.
3.5.5 . VALOR ESPERADO DE LA INFORMACION MUESTRAL

El valor esperado se emplea para determinar la estrategia de decisiones más óptima para la
investigación que se está realizando. En general el valor esperado de la información muestral
(VEIM) es el siguiente:
VEIM = VEcIM—VEsIM
VEIM: valor esperado de la información muestral
VEcIM: valor esperado con información muestral sobre los estados de la naturaleza
VEsIM: valor esperado sin información muestral sobre los estados de la naturaleza
5.6. EFICICIENCIA DE LA INFORMACION MUESTRAL
Una vez obtenido el valor esperado de la información perfecta (VEIP), se procede a utilizar
una medida de la eficiencia para expresar el valor de la información del experimento
empleado. Con la información perfecta teniendo una estimación de eficiencia de 100% le
estimación de la eficiencia E se puede calcular de la siguiente manera:
E= (VEIM / VEIP) *100

Con el resultado obtenido de la ecuación podemos determinar qué tan eficiente es la
información obtenida del experimento empleado, comparada con la información perfecta.
Las estimaciones de eficiencia bajas para la información muestral podrían llevar al tomador
de decisiones a buscar otros tipos de información. Sin embargo, las calificaciones de
eficiencia altas indican que la información maestral es casi tan buena como la información
26

perfecta y que las fuentes adicionales de información no producirán resultados significativos
mejores.
3.6 CÁLCULO DE PROBABILIDADES CON TEOREMA DE BAYES

Como ya se ha mencionado con anterioridad, el hombre se encuentra continuamente en la
disyuntiva de tomar decisiones, las cuales se tornan cada vez más difíciles de seleccionar, ya
sea por lo complejas e inciertas que resulta priorizar entre dos o más posibles resultados. La
Teoría de Decisiones, más que sugerirle al sujeto decisor un modelo que lo ayude a tomar la
elección más óptima al resolver un problema, le otorga las herramientas necesarias para
mostrarle cómo hacerlo y que lo aplique de acuerdo al contexto en el que se encuentra.
Cuando se nos presenta un problema cuya decisión debe ser seleccionada bajo incertidumbre,
podemos elegir entre una toma de decisión sin experimentación y una con experimentación.
Esta última otorga resultados más precisos ya que tiene como fin mejorar las estimaciones
preliminares de las probabilidades de los respectivos estados de naturaleza a raíz de una
información adicional; siendo el Teorema de Bayes un método valioso para elegir la mejor
alternativa.
Antes de desarrollar con mayor profundidad el Teorema de Bayes, se deben conocer algunas
reglas para calcular probabilidades:
Las reglas de probabilidades que se muestran a continuación fueron extraídas de : (Lind,

Marshal, & Wathen, págs. 153-161)
a) Reglas de la adición:
-Regla Especial de la Adición: Los eventos deben ser mutuamente excluyentes (ambos sucesos
no pueden ocurrir juntos a la misma vez).
27

Un ejemplo de eventos mutuamente excluyentes en el experimento del lanzamiento del dado
son los eventos “un número 4 o mayor” y “un número 2 o menor”. Si el resultado se encuentra
en el primer grupo {4, 5 y 6}, entonces no puede estar en el segundo grupo {1 y 2}.
𝑷(𝑨 𝒐 𝑩) = 𝑷(𝑨) + 𝑷(𝑩)
-Regla General de la Adición: Los resultados de un experimento pueden no ser mutuamente
excluyentes, es decir, cuando dos eventos ocurren al mismo tiempo, la probabilidad se
denomina probabilidad conjunta, y debe ser restada.
𝑷(𝑨 𝒐 𝑩) = 𝑷(𝑨) + 𝑷(𝑩) − 𝑷(𝑨 𝒚 𝑩)
b) Reglas de la multiplicación:
Estima la probabilidad de que la ocurrencia de dos eventos sea simultánea.
- Regla Especial de la Multiplicación: Requiere que dos eventos A y B, sean independientes, es
decir, si un evento ocurre, no tiene ningún efecto sobre la probabilidad de que otro evento
acontezca.
Por ejemplo, cuando el evento B ocurre después del evento A, ¿influye A en la probabilidad de
que el evento B ocurra? Si la respuesta es no, entonces A y B son eventos independientes.
𝑷(𝑨 𝒚 𝑩) = 𝑷(𝑨)𝑷(𝑩)
-Regla General de la Multiplicación: Si dos eventos no son independientes, se dice que son
dependientes.
Supongamos que hay 10 latas de refresco en un refrigerador, 7 de los cuales son normales y 3
dietéticos. Se saca una lata del refrigerador. La probabilidad de que sea una lata de refresco
dietético es de 3/10, y la probabilidad de que sea una lata de refresco normal es de 7/10. Luego,
se elige una segunda lata del refrigerador sin devolver la primera. La probabilidad de que la
segunda lata sea de refresco dietético depende de que la primera lo haya sido o no. La
probabilidad de que la segunda lata sea de refresco dietético es: 2/9, si la primera bebida es
28

dietética (sólo dos latas de refresco dietético quedan en el refrigerador); 3/9, si la primera lata
elegida es normal (los tres refrescos aún están en el refrigerador).
La denominación adecuada de la fracción 2/9 (o 3/9) es probabilidad condicional, ya que su
valor se encuentra condicionado (o depende) del hecho de que un refresco regular o dietético
haya sido el primero en ser seleccionado del refrigerador.
𝑷(𝑨 𝒚 𝑩) = 𝑷(𝑨)𝑷(𝑩|𝑨)
c) Probabilidad Total
Sea A1,A2,… An un sistema completo de eventos tales que la probabilidad de cada uno de ellos
es didtinto de cero, y sea B un evento cualquiera del que se conocen las probabilidades
condicionales P(B/Ai), entonces, la probabilidad del evento B, llamada probabilidad total, se
calcula empleando la siguiente fórmula:
𝑷(𝑩) = 𝑷(𝑨𝟏)𝑷(𝑩|𝑨𝟏) + 𝑷(𝑨𝟐)𝑷(𝑩|𝑨𝟐) + ⋯ 𝑷(𝑨𝒏)𝑷(𝑩|𝑨𝒏)
6.1. Teorema de Bayes
Conociendo previamente las reglas probabilísticas, se procede a desarrollar el Teorema de
Bayes, cuya proposición fue planteada por el matemático inglés Thomas Bayes. Este teorema
es una extensión de lo que se ha aprendido acerca de la probabilidad condicional.
Comúnmente se inicia un análisis de probabilidades con una asignación inicial, probabilidad a
priori. Cuando se tiene alguna información adicional se procede a calcular las probabilidades
revisadas o a posteriori. El teorema de Bayes permite calcular las probabilidades a posteriori y
es:
𝑷(𝑨𝒊)𝑷(𝑩|𝑨𝒊) 𝑷(𝑨𝒊)𝑷(𝑩|𝑨𝒊)
𝑷(𝑨𝒊|𝑩) = =
𝑷(𝑨𝟏)𝑷(𝑩|𝑨𝟏)+(𝑷(𝑨𝟐)𝑷(𝑩|𝑨𝟐) 𝑷(𝑩)
Donde:
29

P(Ai)= Probabilidad a priori
P(B|Ai)=Probabilidad condicional
P(B)= Probabilidad total
P(Ai|B)=Probabilidad a posteriori
Ejemplo:
Una empresa tiene una fábrica en Estados Unidos que dispone de tres máquinas A, B y C, que
producen envases para botellas de agua. Se sabe que la máquina A produce un 40% de la
cantidad total, la máquina B un 30% , y la máquina C un 30%. También se sabe que cada
máquina produce envases defectuosos. De tal manera que la máquina A produce un 2% de
envases defectuosos sobre el total de su producción, la máquina B un 3%, y la máquina C un
5%. Dicho esto, se plantean dos cuestiones:
P(A) = 0,40 P(D/A) = 0,02
P(B) = 0,30 P(D/B) = 0,03
P(C) = 0,30 P(D/C) = 0,05
1.Si un envase ha sido fabricado por la fábrica de esta empresa en Estados Unidos ¿Cuál es la
probabilidad de que sea defectuoso?
Se calcula la probabilidad total. Ya que, a partir los diferentes sucesos, calculamos la
probabilidad de que sea defectuoso.
P(D) =[ P(A) x P(D/A) ] + [ P(B) x P(D/B) ] + [ P(C) x P(D/C) ]

[ 0,4 x 0,02 ] + [ 0,3 x 0,03 ] + [ 0,3 x 0,05 ] = 0,032
Expresado en porcentaje, diríamos que la probabilidad de que un envase fabricado por la fábrica
de esta empresa en Estados Unidos sea defectuoso es del 3,2%.
2. Siguiendo con la pregunta anterior, si se adquiere un envase y este es defectuoso ¿Cuáles

es la probabilidad de que haya sido fabricado por la máquina A?¿Y por la máquina B?¿Y por
la máquina C?
30

Aquí se utiliza el teorema de Bayes. Tenemos información previa, es decir, sabemos que el
envase es defectuoso. Claro que, sabiendo que es defectuoso, queremos saber cuál es la
probabilidad de que se haya producido por una de las máquinas.
P(A/D) = [P(A) x P(D/A)] / P(D) = [0,40 x 0,02] / 0,032 = 0,25
P(B/D) = [P(B) x P(D/B)] / P(D) = [0,30 x 0,03] / 0,032 = 0,28
P(C/D) = [P(C) x P(D/C)] / P(D) = [0,30 x 0,05] / 0,032 = 0,47
Sabiendo que un envase es defectuoso, la probabilidad de que haya sido producido por la
máquina A es del 25%, de que haya sido producido por la máquina B es del 28% y de que
haya sido producido por la máquina C es del 47%.
31

IV. CONCLUSIONES:
 La investigación operativa es de suma importancia para la solucionar los problemas que

se presenten en la empresa, como en toda organización.
 El método Simplex facilita el cálculo de el valor Máximo y mínimo de cualquier modelo
matemático , sin importar el número de varibles que este tenga.
 El complemento Solver de Excel puede ser de gran ayuda para resolver los problemas de
programación lineal, y permite una fácil interpretación de la sensibilidad tanto de la
función objetivo como del lado derecho.
 Geogebra puede resultar un gran apoyo si lo que se quiere es tener la solución gráfica de
un modelo matemático. Por tanto permite una fácil comprensión al facilitar la solución
de una manera visual.
32

IV. BIBLIOGRAFIA:
 https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/programaci%C3%B3n-lineal/
 Arsham, H. (s.f.). Probabilistic Modeling Process: Decision Analysis. Obtenido de

Probabilistic Modeling Process: Decision Analysis:
http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rwida
 Lee J. Krajewski, L. P. (2000). Administración de operaciones,estratégia y análisis .
Pearson.
 Martin, A. S. (2011). Mètodos Cuantitativos para los Negocios . Mexico ,DF:
Cengage Learnig.
 Hillier, M. S., & Hillier, F. S. (2008). Mètodos Cuantitativos para administracion.

Mexico ,DF: McGraw Hill.
 Vélez Pareja, I. (2003). Decisiones Empresariales bajo roiesgo e incertidumbre.
Norma.
 Alvarenga Alvarenga, Ada. Blanco Hernández, Carmen. Vásquez Vásquez, Danya.
(2009). “Introducción a la Teoría de Decisión Estadística.”. Disponible en:
http://ri.ues.edu.sv/12499/1/19200766.pdf
 Peñaloza Palomeque, Mariana (2010). TEORÍA DE LAS DECISIONES.

PERSPECTIVAS, (25), ISSN: 1994-3733. Disponible en:
https://www.redalyc.org/pdf/4259/425942454012.pdf
 Maya Lopera, Elena (2018). Los árboles de decisión como herramienta para el análisis
de riesgos de los proyectos. Disponible en:
https://repository.eafit.edu.co/handle/10784/12980

Pearson.
Cengage Learnig.
33

Pearson.
Cengage Learnig.
 Lind, Marchal & Wathen (2012). Estadística Aplicada a los Negocios y la
Economía.Mexico McGraw-Hill.
 Disponible en: https://cape.fcfm.buap.mx/jdzf/cursos/est1/libros/book1e1.pdf
 Teoría de Bayes en la Toma de Decisiones. Autor: Mario Orlando Suárez Ibujes
Disponible en: https://es.slideshare.net/anapauvaliente/teoria-de-bayes-en-la-toma-de-
decision
 Ejemplo de Teorema de Bayes. Autor: José Francisco López. Disponible en:
https://economipedia.com/definiciones/teorema-de-bayes.html
34

Análisis de Decisiones

Cargado por

Copyright:

Formatos disponibles

Análisis de Decisiones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Análisis de Decisiones

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL MAYOR DE

UNMSM | Herramientas para la Toma de Decisiones

UNMSM | Herramientas para la Toma de Decisiones

El presente trabajo se ha realizado con la finalidad de afianzar los conocimientos del

mediados del presente semestre 2019-II.

Asimismo, otro objetivo muy importante es el de detallar paso a paso el desarrollo de

problemas de programación lineal, desde la modulación del problema hasta su desarrollo

por el método gráfico, utilizando el software Geogebra y métodos de solución de

problemas como Simplex, también se utiliza el análisis de sensibilidad de la Función

dominio e interpretación de los mismos.

Herramientas para la toma de decisiones.

UNMSM | Herramientas para la Toma de Decisiones

 Aplicar el método Simplex y Simplex Dual.

 Representar gráficamente la solución de un modelo matemático.

 Interpretar la sensibilidad de la función objetivo y del lado derecho.

 Comprender los conceptos relacionados con Investigación de operaciones.

 Modelar problemas del ámbito empresarial

 Obtener dominio en el uso del aplicativo Solver de Microsoft Excel.

UNMSM | Herramientas para la Toma de Decisiones

3.1. ANÁLISIS DE DECISIONES

permite comprender la situación de decisión. Gracias a los resultados numéricos se genera

alternativa. Si nos detuviéramos aquí, los decisores no tendrían demasiada información.

Tenemos que examinar la sensibilidad de la utilidad esperada y ponderada para las

análisis de sensibilidad podemos calcular el valor de la información perfecta para

incertidumbres que han sido modelizadas explícitamente.

Entre las comparaciones cuantitativas adicionales se incluye la comparación directa de la

alternativas en dos objetos seleccionados, demostrando la optimalidad de Pareto para estos

La complejidad del mundo moderno, la cantidad de información, incertidumbre y el riesgo,

Incorporar orientación, información, discernimiento y estructura de toma de decisión para que

la decisión sea la más racional. (Arsham, s.f.)

UNMSM | Herramientas para la Toma de Decisiones

incorporar la incertidumbre en el proceso decisorio y para esto existen algunas herramientas y

métodos de análisis que ayudan a identificar la incertidumbre y medir su impacto.

situaciones complejas y confusas. En ella se identificará las variables no controlables (eventos

inciertos con distintos grados de probabilidad) con sus interrelaciones.

cómo se impactan unas a otras y ala resultado final esperado.

 Figuras de diferentes formas representan los elementos relevantes de la situación. El

objetico final es alcanzar con la decisión (rentabilidad)

 Los nodos circulares representan variables no controlables que no conocemos.

están sujetos a la incertidumbre, su valor dependerá directamente de la variable y las

decisiones que las condicionen.

Los nodos están conectados por flechas

Una flecha entre dos nodos indica que:

 Primer evento precede al segundo

UNMSM | Herramientas para la Toma de Decisiones

la variable o decisión afectan de alguna manera el objetivo final.

3.1.2. TABLAS DE RESULTADOS

decisión y un estado de la naturaleza. En el análisis de daciones se refiere a la consecuencia

resultante de una combinación específica de una alternativa de solución y un estado de la

las combinaciones de alternativas de decisión y estados de la naturaleza. (Martin, 2011, pág.

3.1.3. ÁRBOLES DE DECISIÓN

alternativas disponibles y de las posibles consecuencias de cada una, su nombre proviene de la

Krajewski, 2000, pág. 76)

UNMSM | Herramientas para la Toma de Decisiones

resolver una necesidad o un problema permitiendo estimar costos ,riesgos ,consecuencias

negocio completo para tomar una decisión donde se obtengan ganancias.

tomar decisiones de cualquier tipo.

demandar o no demandar teniendo en cuenta la probabilidad de ganar el juicio y lo que implica

monetariamente y probabilísticamente ganar o no el caso.