teoría de la decisión – decision theory

Teoría de la Decisión

Primary Disciplinary Field(s): Economía, Matemáticas, Filosofía, Psicología

1. Definición Central y Alcance Disciplinario

La Teoría de la Decisión (TD) constituye un marco analítico y matemático dedicado al estudio de las elecciones de los agentes en situaciones de incertidumbre o riesgo. Su objetivo primordial es comprender cómo los individuos o grupos toman decisiones, ya sea de forma racional (en el ámbito normativo) o de forma empírica (en el ámbito descriptivo). Fundamentalmente, la TD formaliza la relación entre las preferencias de un agente, las opciones disponibles, los resultados posibles y la probabilidad asociada a cada uno de esos resultados. Esta formalización permite evaluar la coherencia lógica de las elecciones y predecir el comportamiento en entornos complejos.

El alcance de la Teoría de la Decisión es profundamente interdisciplinario, sirviendo de puente entre diversas ciencias sociales y exactas. Aunque sus fundamentos matemáticos se anclan en la teoría de la probabilidad y la estadística, su desarrollo histórico ha estado intrínsecamente ligado a la economía, donde proporciona la base microeconómica para entender la maximización de la utilidad. Paralelamente, la filosofía moral y la epistemología utilizan la TD para explorar la racionalidad y la justificación de las acciones, mientras que la psicología y la neurociencia la emplean para investigar los procesos cognitivos subyacentes que desvían el comportamiento real del ideal normativo.

La TD se distingue de la Teoría de Juegos en que, si bien ambas tratan la elección estratégica, la Teoría de la Decisión se centra en las elecciones de un único agente que opera contra “la naturaleza” (un entorno pasivo o probabilístico), mientras que la Teoría de Juegos analiza interacciones en las que el resultado de la elección de un agente depende de las elecciones simultáneas o secuenciales de otros agentes racionales. No obstante, los principios de utilidad y racionalidad son comunes a ambas disciplinas, siendo la TD el punto de partida conceptual para el análisis estratégico más complejo.

2. Ramas Fundamentales: Normativa, Descriptiva y Prescriptiva

La Teoría de la Decisión se estructura tradicionalmente en tres ramas que abordan diferentes aspectos del proceso de elección. La rama más antigua y formalizada es la Teoría de la Decisión Normativa (o racional), que se enfoca en cómo los agentes deberían tomar decisiones si actuaran de manera perfectamente lógica y coherente. Esta rama establece axiomas de racionalidad (como la transitividad de las preferencias) que, si se cumplen, garantizan que el agente maximice su Utilidad Esperada. Es el modelo idealizado que sirve de referencia para la mayoría de los modelos económicos clásicos, proporcionando el marco matemático para la coherencia en la toma de decisiones bajo riesgo.

En contraste, la Teoría de la Decisión Descriptiva busca entender cómo los agentes realmente toman decisiones, incluso cuando estas elecciones violan sistemáticamente los axiomas de la racionalidad normativa. Esta rama surgió con fuerza a partir de los trabajos de psicólogos cognitivos como Daniel Kahneman y Amos Tversky, quienes documentaron una serie de sesgos cognitivos y heurísticas que influyen en el juicio humano. La Teoría Descriptiva ha dado lugar a la Economía del Comportamiento, demostrando que factores como el encuadre (framing), la aversión a las pérdidas y la disponibilidad mental a menudo anulan el cálculo de la utilidad esperada, revelando las limitaciones psicológicas del modelo racional.

Finalmente, la Teoría de la Decisión Prescriptiva actúa como un puente práctico entre las dos anteriores. Su objetivo no es ni describir la realidad ni imponer un ideal inalcanzable, sino ofrecer herramientas y metodologías para ayudar a los agentes reales a tomar mejores decisiones, especialmente en contextos complejos de gestión o política pública. Esta rama se basa en los hallazgos de la teoría descriptiva para identificar debilidades cognitivas y utiliza la estructura de la teoría normativa para diseñar procedimientos (como árboles de decisión o análisis de sensibilidad) que mitiguen los errores y acerquen la elección real al óptimo racional.

La distinción entre estas ramas es crucial para la investigación contemporánea. Mientras que la teoría normativa proporciona el lenguaje matemático y la coherencia lógica, la descriptiva inyecta realismo empírico al revelar las desviaciones sistemáticas del comportamiento humano, y la prescriptiva ofrece la utilidad aplicada, permitiendo a los expertos diseñar entornos de elección que fomenten resultados superiores en la práctica.

3. Desarrollo Histórico y Orígenes

Los orígenes de la Teoría de la Decisión se remontan a los albores de la teoría de la probabilidad en el siglo XVII. Figuras como Blaise Pascal y Pierre de Fermat sentaron las bases matemáticas para cuantificar el azar, un requisito indispensable para modelar decisiones bajo riesgo. Sin embargo, el paso crucial de la probabilidad a la decisión económica se dio en el siglo XVIII con el trabajo seminal de Daniel Bernoulli. En 1738, Bernoulli propuso en su obra Exposición de una nueva teoría sobre la medición del riesgo que las personas no valoran las apuestas basándose en el valor monetario esperado, sino en la utilidad esperada, una función subjetiva de la riqueza. Este concepto resolvió la famosa Paradoja de San Petersburgo y estableció el principio fundamental de que los agentes buscan maximizar la utilidad, no el valor monetario, introduciendo la idea de la aversión al riesgo en el análisis formal.

El desarrollo formal de la TD moderna se consolidó durante y después de la Segunda Guerra Mundial. La obra capital fue Theory of Games and Economic Behavior (1944) de John von Neumann y Oskar Morgenstern. Aunque el foco principal del libro era la Teoría de Juegos, los autores dedicaron una sección fundamental a la axiomatización de la Teoría de la Utilidad Esperada. Demostraron que si las preferencias de un agente satisfacen un conjunto específico de axiomas de racionalidad (como la completitud y la transitividad), entonces existe una función de utilidad que el agente busca maximizar, proporcionando la primera base rigurosa para la toma de decisiones racionales bajo riesgo y sentando las bases de la moderna teoría económica de la elección.

Posteriormente, Leonard Savage en su obra The Foundations of Statistics (1954) extendió la teoría para abordar decisiones bajo incertidumbre radical (donde las probabilidades no son conocidas objetivamente). Savage introdujo el concepto de “probabilidades subjetivas” o “probabilidades personales” (probabilidades de Bayes), mostrando que un agente racional puede asignar probabilidades a eventos inciertos basándose en sus creencias. Esta unificación de la utilidad y la probabilidad subjetiva se convirtió en el paradigma dominante de la decisión racional durante la segunda mitad del siglo XX, conocido como el modelo de la Utilidad Esperada Subjetiva (UES), el cual presupone que la racionalidad exige la coherencia entre las preferencias y las creencias probabilísticas del agente.

4. Componentes Clave de un Modelo de Decisión

Todo modelo de la Teoría de la Decisión requiere la especificación clara de varios elementos interconectados que definen el problema de elección y sus posibles resultados. Estos componentes son esenciales para construir la matriz de decisión y calcular la utilidad esperada de las distintas opciones, independientemente de si el análisis es normativo o descriptivo.

• Agente Decisor: El individuo, grupo u organización que realiza la elección, cuyas preferencias y creencias son el foco del análisis.
• Conjunto de Acciones (A): Las opciones o estrategias mutuamente excluyentes disponibles para el agente.
• Estados de la Naturaleza (S): Los posibles eventos futuros, fuera del control del agente, que influirán en el resultado de la acción elegida.
• Consecuencias (X): Los resultados o pagos específicos que se obtienen al combinar una acción determinada con un estado de la naturaleza particular.
• Probabilidades (P): La función que asigna una probabilidad a cada estado de la naturaleza. En contextos de riesgo, estas son objetivas; en incertidumbre, son subjetivas o ambiguas.
• Función de Utilidad (u): La representación matemática de las preferencias del agente sobre las consecuencias, donde un valor más alto indica una preferencia mayor.

El núcleo conceptual de la TD reside en la interacción entre la función de utilidad y las probabilidades. La Utilidad Esperada (UE) de una acción es el promedio ponderado de las utilidades de todas las posibles consecuencias resultantes de esa acción, donde los pesos son las probabilidades de que ocurra cada estado de la naturaleza. La regla fundamental de la decisión normativa es elegir la acción que maximice esta utilidad esperada, ya que cualquier otra elección implicaría una violación de los axiomas de racionalidad.

La función de utilidad es crucial para capturar la actitud del agente hacia el riesgo. Es una medida cardinal, lo que significa que no solo el orden de las preferencias importa, sino también la intensidad con la que se prefieren ciertas opciones. Un punto crucial es que la utilidad no es necesariamente lineal con la riqueza. Por ejemplo, la utilidad marginal decreciente explica por qué una ganancia de 1000 euros proporciona menos utilidad a un multimillonario que a una persona pobre, reflejando que la mayoría de los agentes son aversos al riesgo, es decir, prefieren una ganancia segura a una apuesta con el mismo valor esperado.

5. Teoría de la Utilidad Esperada (TUE)

La Teoría de la Utilidad Esperada (TUE) es el pilar de la decisión normativa y constituye el modelo de racionalidad estándar en la economía neoclásica. Se basa en un conjunto de axiomas que definen lo que significa ser un agente racional, garantizando que sus preferencias sean lo suficientemente coherentes como para ser representadas por una función matemática que maximiza la utilidad promedio ponderada. Si un agente cumple estos axiomas, sus decisiones pueden modelarse como la maximización de una función de utilidad esperada, proporcionando un marco sólido para la predicción y el análisis.

Los axiomas clave de la TUE incluyen la Completitud (el agente puede comparar cualquier par de opciones y establecer una preferencia o indiferencia), la Transitividad (si A es preferido a B, y B es preferido a C, entonces A debe ser preferido a C, eliminando los ciclos de preferencias irracionales), la Continuidad (las preferencias no cambian abruptamente con pequeños cambios en las probabilidades) y, fundamentalmente, el axioma de la Independencia.

El axioma de la Independencia postula que si dos loterías contienen un resultado común, la preferencia entre las dos loterías debe ser independiente de la utilidad de ese resultado común. Esto implica que si se ofrece una recompensa adicional idéntica a dos opciones, la elección original no debería cambiar. Esta propiedad es esencial para la simplicidad matemática de la TUE, ya que permite la cancelación de componentes comunes en el cálculo de la utilidad esperada, pero es también el axioma que ha sido más fuertemente refutado por la evidencia empírica.

La TUE proporciona una herramienta poderosa para el análisis económico porque reduce la complejidad de la elección humana a un único principio maximizador. Los modelos económicos que dependen de la toma de decisiones bajo riesgo, como los seguros o la inversión, utilizan la TUE para derivar resultados teóricos sobre el comportamiento óptimo. Sin embargo, su poder analítico viene con la estipulación de que cualquier violación de sus axiomas representa un comportamiento irracional, lo que limitó su capacidad para describir fielmente el comportamiento humano real, abriendo la puerta a modelos descriptivos.

6. Tipos de Contextos de Decisión

La estructura del problema de decisión depende fundamentalmente del conocimiento que el agente tenga sobre los posibles estados de la naturaleza. La TD distingue entre tres contextos principales que determinan el método de análisis y el criterio de elección aplicable. La Decisión bajo Certeza es el caso más simple, donde el agente conoce con certeza el resultado de cada acción; el problema se reduce a identificar la acción que produce la consecuencia más preferida (la mayor utilidad) sin necesidad de cálculos probabilísticos.

La Decisión bajo Riesgo ocurre cuando el agente conoce todos los posibles resultados y puede asignar probabilidades objetivas (basadas en frecuencias históricas, distribuciones estadísticas o conocimiento científico) a cada estado de la naturaleza. Este es el dominio clásico de la TUE, donde la regla de decisión es maximizar la utilidad esperada. Los ejemplos típicos incluyen la inversión en mercados financieros regulados o las apuestas en juegos de azar con probabilidades conocidas. El agente se enfrenta a una variabilidad cuantificable que puede ser incorporada directamente en el modelo de utilidad.

La Decisión bajo Incertidumbre (a veces denominada incertidumbre radical o knightiana) se presenta cuando el agente conoce los posibles resultados, pero no puede asignar probabilidades objetivas a los estados de la naturaleza debido a la falta de datos o la singularidad del evento. En estas situaciones, la TUE clásica es inaplicable sin recurrir a probabilidades subjetivas (como hizo Savage). Cuando las probabilidades subjetivas son difíciles de establecer o no se desea imponerlas, se recurre a criterios alternativos de decisión que reflejan diferentes actitudes hacia la ignorancia. Estos incluyen el criterio Maximin (que busca maximizar el peor resultado posible, apropiado para agentes extremadamente aversos al riesgo), el criterio Maximax (que busca maximizar el mejor resultado posible, apropiado para agentes buscadores de riesgo), o el criterio de Laplace (que asume que todos los estados inciertos son igualmente probables, un principio de razón insuficiente).

7. Críticas y el Surgimiento de la Teoría Descriptiva

A pesar de su elegancia matemática, la TUE comenzó a enfrentar serias críticas empíricas a mediados del siglo XX, cuando los experimentos de laboratorio revelaron que los seres humanos violan rutinariamente los axiomas de racionalidad. Uno de los desafíos más famosos fue la Paradoja de Allais (1953), que demostró que, en ciertas situaciones, los individuos violan el axioma de Independencia, prefiriendo una opción segura a una opción con mayor utilidad esperada cuando la probabilidad de la ganancia segura es alta. Esto reveló que los agentes ponderan las probabilidades de manera no lineal, dando un peso excesivo a la certeza y a la eliminación completa del riesgo.

Otro desafío significativo fue la Paradoja de Ellsberg (1961), que ilustró la aversión de los agentes a la ambigüedad o la ignorancia de la probabilidad. Los sujetos prefieren apostar en loterías donde las probabilidades son conocidas (riesgo) en lugar de loterías donde las probabilidades son desconocidas (incertidumbre), incluso si ambas opciones tienen la misma utilidad esperada. Este fenómeno, conocido como aversión a la ambigüedad, demostró que la gente no solo se preocupa por el riesgo inherente a una distribución conocida, sino también por la falta de información precisa sobre la distribución misma.

Estas anomalías impulsaron el desarrollo de modelos descriptivos alternativos que buscaban reflejar la psicología real de la elección. El más influyente es la Teoría de las Perspectivas (Prospect Theory), desarrollada por Kahneman y Tversky en 1979. Esta teoría abandona la idea de utilidad absoluta y propone que los agentes valoran las consecuencias en términos de ganancias o pérdidas relativas a un punto de referencia (reference point). Los dos hallazgos clave de la Teoría de las Perspectivas son la Aversión a la Pérdida (el dolor de una pérdida es psicológicamente mucho mayor que el placer de una ganancia equivalente, típicamente en una proporción de 2:1) y la función de ponderación de probabilidad no lineal, que sobrestima las probabilidades bajas (favoreciendo loterías) y subestima las altas (favoreciendo la certeza).

8. Aplicaciones e Impacto Interdisciplinario

La Teoría de la Decisión tiene un impacto profundo y transversal en numerosas disciplinas académicas y prácticas. En Economía y Finanzas, la TD es crucial para modelar el comportamiento del consumidor, la inversión de capital, la formación de precios de activos y la gestión de carteras. Los modelos de fijación de precios de opciones y seguros se basan directamente en la comprensión del riesgo y la utilidad esperada. La economía del comportamiento, surgida de las críticas a la TUE, ha influido en la formulación de políticas que buscan corregir los fallos de decisión individuales mediante la arquitectura de la elección (Nudge Theory).

En la Ciencia Política y la Administración Pública, la TD se utiliza para el análisis de políticas, la evaluación de riesgos (como desastres naturales o amenazas a la seguridad) y el diseño de mecanismos de votación. La aplicación de la TD prescriptiva, a menudo mediante el uso de árboles de decisión y análisis de coste-beneficio, ayuda a los gobiernos a asignar recursos escasos de manera eficiente bajo condiciones de riesgo e incertidumbre, mejorando la transparencia y la justificación de las decisiones complejas.

Finalmente, la TD es fundamental en la Inteligencia Artificial y la Informática. Los sistemas de IA, especialmente aquellos diseñados para la toma de decisiones autónoma (como vehículos sin conductor, robots de inversión o sistemas de diagnóstico médico), deben incorporar principios de racionalidad para navegar por entornos inciertos. Los algoritmos de aprendizaje por refuerzo a menudo se basan en la maximización de una función de valor o utilidad esperada a largo plazo, replicando así, en un contexto computacional, los principios centrales de la Teoría de la Decisión Normativa, aunque adaptados para manejar las limitaciones de procesamiento y la incertidumbre del mundo real.

9. Lecturas Adicionales

• Teoría de la Decisión (Wikipedia)
• Decision Theory (Stanford Encyclopedia of Philosophy)
• Utilidad Esperada (Wikipedia)
• Economía del Comportamiento (Wikipedia)
• Paradoja de Allais (Wikipedia)