República Bolivariana de Venezuela

Ministerio del Poder Popular Para La Educación

Universidad Nacional Experimental “Rafael María Baralt”

Santa Ana De Coro – Estado Falcón

Profesor: Integrantes:

Tadeo Wilmar Delgado Adelis Ruiz C.I 29.513.568

C.I 3.830.213 Jhon Aponte C.I 27.962.528

Luis Gotopo C.I 28.177.246

José González C.I 28.403.642

Sección 331521

Junio, 2021
 Introducción

El análisis de las decisiones se ha convertido en una herramienta esencial

para analizar una gran variedad de modelos de administración en las

empresas. La toma de decisiones es una constante del día a día tanto personal

como de la empresa, y mientras que algunas decisiones no tienen

consecuencias importantes a largo plazo, otras pueden ser el detonante para

dirigirnos hacia el éxito o el fracaso. Como ya sabemos, toda información y

conocimiento, por muy insignificante que sea a priori, es clave para realizar una

buena gestión y supone una aportación a la hora de tomar las mejores

decisiones en el mundo empresarial.

Los procesos de decisión en ambiente de riesgo se caracterizan porque

puede asociarse una probabilidad de ocurrencia a cada estado de la

naturaleza, probabilidades que son conocidas o pueden ser estimadas por el

decisor antes del proceso de toma de decisiones.

Se denomina ambiente de riesgo a aquel en el que el decisor no sabe con

certeza qué estados de la naturaleza se presentarán, pero si conoce cuales

pueden presentarse y la probabilidad que tiene cada uno de ellos.

La toma de decisiones implica cierto riesgo implícito. No se puede estar

totalmente seguro de lo que pasará en el futuro.  No obstante se puede calcular

la probabilidad de que ese riesgo aparezca o no y de sus repercusiones.

Este tipo de decisiones se basan en porcentajes de probabilidad que

pueden ser conocidos o estimados gracias a la información disponible o la

experiencia.
 Toma de Decisiones en Condiciones de Riesgo

La toma de decisiones en condiciones de riesgo sucede cuando el decisor

se enfrenta a una situación de decisiones en la que uno o más estados de la

naturaleza son relevantes, cuando se pueden identificar todos los estados

naturales pertinentes y se pueden asignar probabilidades de ocurrencia a cada

uno de los mismos. Las probabilidades pueden calcularse con base en criterios

matemáticos o subjetivos.

Para este tipo de problemas las Matrices de Decisión tienen tantas filas

como Cursos de Acción disponibles y tantas columnas como Estados Naturales

existentes con Probabilidad de Ocurrencia diferente de cero. Estos problemas

se presentan con frecuencia en los niveles de gerencia media y alta de la

organización.

Existen algunos criterios que pueden utilizarse para tomar decisiones en

condiciones de riesgo, entre ellos el del Valor Monetario Esperado, el

Bayesiano y el de la Utilidad Esperada Para comprenderlos y aplicarlos se

requiere el dominio de algunos conceptos estadísticos básicos, razón por la

cual a continuación pasamos a revisar algunos

Para una mejor comprensión debemos tener en cuenta los siguientes

conceptos Estadísticos Básicos:

a) El cálculo de las probabilidades puede definirse como el modelo

matemático de las regularidades que se observan en las series de frecuencias

correspondientes a los fenómenos aleatorios.

b) Un experimento aleatorio es cualquier acción bien definida mediante la

cual observamos o medimos un fenómeno real de interés. Desde el punto de

vista de la Teoría de Probabilidades los resultados que se producen a partir de

un experimento aleatorio están totalmente sujetos al azar

c) Un suceso aleatorio es cada uno de los resultados posibles de un

experimento aleatorio

d) Los eventos elementales son los resultados de un experimento aleatorio

que no se pueden expresar en términos de otros resultados más sencillos.

Cada evento elemental designa un resultado simple del experimento aleatorio

considerado y cada resultado simple se representa por un solo evento

elemental.

e) Los eventos compuestos o derivados de otros eventos se obtienen sobre

una base de combinaciones de los eventos elementales. Por lo tanto, un

evento compuesto es un subconjunto del espacio de eventos.

Probabilidad

Según este concepto la probabilidad de un suceso favorable "r" es r / n,

donde:

 “r” número de veces que se presenta el suceso de interés (suceso

favorable).

 “n” número de resultados distintos e igualmente probables.

Este concepto es muy limitado para aplicaciones concretas dado que deben

conocerse "a priori" los valores de "n" y "r" y suponer que todos los resultados

son igualmente probables. En la realidad rara vez conocemos todos los

resultados posibles antes de elegir la alternativa más conveniente, tampoco es

razonable suponer que todos los resultados de interés son igualmente posibles.

La Probabilidad como Frecuencia Relativa

Supongamos que un experimento aleatorio posee un número muy grande

"n" de intentos repetidos, "r" de los cuales resultan en un evento "E", llamado

suceso favorable. Si para "n" muy grande el cociente rin es aproximadamente

igual a un número "p" y si a medida que "n" aumenta el cociente tiende a

acercarse progresivamente a "p". Entonces podemos definir a "p" como la

probabilidad del evento "E" En resumen P (E)=r/n. Como vemos la probabilidad

del evento "E" se define a posterior como la frecuencia relativa con la que ese

evento ocurrió en una secuencia muy larga de intentos repetidos del

experimento Si "n" alcanza un valor suficientemente grande, el valor obtenido

de "p" que siempre es aproximado, no estará demasiado alejado del valor real

El Concepto de la Probabilidad Subjetiva

La probabilidad subjetiva se puede definir como el grado de creencia

racional de que ocurra o no un cierto evento sopesado con la fuerza de la

convicción con la que esa creencia está relacionada En este sentido, la

probabilidad no es inherente a las cosas, es eminentemente subjetiva,

determinada en relación con la experiencia de la persona. Viene a ser una

medida de la fuerza de las convicciones personales acerca de la ocurrencia de

un acontecimiento determinado.
Axiomas de Probabilidad

Los números que representan las probabilidades no pueden ser arbitrarios.

De hecho tienen ciertas restricciones en su determinación denominadas

"Axiomas del Cálculo de las Probabilidades". Éstos definen a su manera el

concepto de probabilidad. La probabilidad se asocia a los eventos del espacio

muestral de acuerdo a las propiedades siguientes:

a) Para cualquier evento "E" es cierto que 0 <P (E) < 1.

b) P (S) = 1, es la suma de las probabilidades de los eventos que forman

parte del espacio muestral. Por lo tanto, la probabilidad de la

certidumbre.

c) P (E1UE2) = P (E1) + P (E2), si El y E2 son disjuntos.

d) P(∅) = 0, donde "∅" es el evento imposible

e) P (E´) = 1 – P (E), donde E' es el evento complementario de E

f) Si dos eventos son disjuntos se cumple que P (E1 Ω E2) = 0

Independencia y Dependencia Estadística

En la teoría de probabilidades los eventos pueden ser estadísticamente

independientes o dependientes.

Independencia Estadística

Si dos eventos son estadísticamente independientes la ocurrencia de uno

de ellos no afectará la ocurrencia del otro. En estas condiciones se cumple que:

P (E1/E2) = P (E1) y P (E2/E1) - P (E2)

 P (E1/E2) se lee: La probabilidad de ocurrencia del evento El dado que haya

ocurrido el evento E2. Además si E1 y E2 son eventos independientes, también

se cumple P (E1 Ω E2) – P (E1) x P (E2).

En condiciones de independencia estadística consideraremos tres tipos de

probabilidades, a saber:

Probabilidad Marginal

Es la probabilidad de ocurrencia de un evento cualquiera de tal me lo que el

evento considerado está aislado y no relacionado de manera alguna con los

eventos que le preceden o le siguen La formula de la probabilidad marginales P

(E) = P (E) y se lee: la probabilidad de ocurrencia del evento En la probabilidad

del evento E.

Probabilidad Conjunta

Es la que se relaciona con el espacio de eventos de esta manera: cuando

hay 2 o más eventos Independientes, la probabilidad de que ocurran

simultanea o sucesivamente es igual al producto de las probabilidades

marginales de cada uno de ellos. Es decir que: P (E1 Ω E2) = P (E1) x P (E2),

donde: P (E1 Ω E2) es la probabilidad conjunta de los eventos El y E2, P (E1)

es la probabilidad marginal del evento E1 y P (E2) es la probabilidad marginal

del evento E2.

Probabilidad Condicional

Es la probabilidad de ocurrencia de un evento dado que haya ocurrido otro

diferente. Se denota P (E1/E2). En condiciones de independencia estadística,

las probabilidades condicionales son: P (E1/E2) = P (E1) y P (E2/E1) = P (E2)

Dependencia Estadística

Existe una relación de dependencia estadística si la probabilidad de que

ocurra un evento es afectada por la ocurrencia de algún otro evento o depende

de ella

La probabilidad marginal de un evento estadísticamente dependiente es la

misma que la de un evento estadísticamente independiente, dado que el

término marginal implica la consideración de una sola probabilidad.

La probabilidad condicional de los eventos E1 y E2, estadísticamente

dependientes se calcula utilizando la fórmula:

P (E2/E1) = P (E1 Ω E2) / P (E1) ó P (E1/E2) = P (E1 Ω E2) / P (E2)

La probabilidad conjunta en condiciones de dependencia estadística se

calcula según la fórmula:

P (E1 Ω E2) = P (E1) x P (E2/ E1) ó P (E1 Ω E2) = P (E2) P (E1/E2)

Reglas para el Cálculo de la Probabilidad

Regla General de Adición de Probabilidades

Si El y E2 son eventos cualesquiera entonces tenemos: P (E1 UE2) = P (E1)

+ P (E2) - P (E1 Ω E2), donde P (E1 Ω E2) es una probabilidad conjunta.

Regla Especial de Adición de probabilidades

Si E1 y E2 son eventos mutuamente excluyentes, su adición es: P (E1 UE2)

= P (E1) + P (E2), dado que en este caso P (E1 Ω E2)=0.

Regla General de Multiplicación de Probabilidades

Si E1 y E2 son eventos estadísticamente dependientes entonces: P (E1 Ω

E2) = P (E1) x P (E2 / E1) ó P (E1 Ω E2) = P (E2) X P (E1 / E2).

Regla Especial de Multiplicación de Probabilidades

Si E1 y E2 son eventos independientes estadísticamente, entonces: P ¨ (E1

Ω E2) = P (E1) x P (E2).

Regla de Eliminación

Si E1, E2.... EK son eventos mutuamente excluyentes de los cuales ninguno

tiene probabilidad nula de ocurrencia y necesariamente tiene que ocurrir uno de

ellos, entonces, para cualquier evento F se tiene la relación siguiente:

P (F) - EP (Ei) x P (F / Ei), Para i=1,2,3…. K.

Regla de Bayes

Si E1, E2......EK son eventos mutuamente excluyentes de los cuales

ninguno tiene probabilidad nula de ocurrencia y necesariamente uno debe

ocurrir, entonces, para cualquier evento F tenemos:

P (Ei/F) = [P (Ei) x P (F / Ei)] / [EP(Ei) x P (F/Ei)], Para i=1,2,3,….. K

Variables Aleatorias

Una variable aleatoria es una función X= x (ej) cuyo dominio es el conjunto

"S" de eventos elementales "ej" y cuyo rango es un subconjunto de los

números reales "xi"

X= Variable Aleatoria: x (ej)= símbolo de la imagen de "ej" bajo la función

(valores que puede tomar "X", es decir "xi")

Lo anterior quiere decir que X puede tomar varios valores (el mencionado

subconjunto de los números reales que son los valores xi que puede tomar X y

que, por lo tanto, son miembros del conjunto X). Estos valores xi que

pertenecen a X tienen cierta probabilidad de ocurrencia P (xi) de que X sea

igual a xi.

Dado que nos interesa prever cual será el valor de X. en la situación de

decisiones en la que se pudiera aplicar este modelo, existe una forma de

conocer el valor esperado de X ó en todo caso el que sería mis razonable

esperar según las probabilidades de cada una de los xi. La formula de este

valor esperado es E (X) = (x1) p (21) + (x2)(x2)+ (x) p (k), es decir:

E(X)= Ep (xi)(xi), donde i = 1,2….. k Ejemplo:

X 1 2 3 4 5 total

P(X) .10 .25 .30 .25 .10 1.00

En donde se verifica que Ep (x)=1. El valor esperado de X es: E(X) -1010) +

2 (25) + 3 (30)+4025)+5(10)=3=E(X)=3

En este modelo se emplea P (X) para denotar la función completa de

probabilidades para la variable X. y se usa el símbolo p (xi) para denotar la

probabilidad de cada evento, es decir la posibilidad de que X = xi Así, P(X)

representa una función, mientras que p (xi) representa un número.

Por ello interesa mucho conocer (para tomar decisiones más acertadas) la

medida de la dispersión de los valores de la variable aleatoria estudiadas

alrededor de su promedio obtenido. La medida numérica para estas

desviaciones se llama la varianza y su fórmula es: cx²= E [xi-ECX)]² [p(x)],

donde i =1,2….k. Otra medida de dispersión utilizada frecuentemente es la

desviación estándar cuya fórmula es: Ox = √ox2.

Frecuentemente es conveniente representar gráficamente la función de

probabilidades P (X). Esto puede hacerse a través de un diagrama de barras.

Criterio de Decisión del Valor Monetario Esperado.

 Es la aplicación del modelo del valor esperado de una variable aleatoria a

cada una de las estrategias de una matriz de decisiones especifica en donde

los resultados representan valores monetarios y cuyos estados naturales tienen

asignada una probabilidad de ocurrencia determinada El resultado obtenido

para cada estrategia es el valor monetario esperado de la misma, en

consecuencia, la estrategia que deberá seguir el decisor será aquella que

reporte el resultado esperado óptimo según el criterio de decisión elegido.

En resumen el criterio del Valor Monetario Esperado consiste en seleccionar

el curso de acción que reporta el resultado esperado óptimo dependiendo del

criterio de decisión utilizado

El procedimiento a seguir para aplicar este criterio es el siguiente:

a) Construir la matriz de decisiones respectiva

b) Calcular el valor monetario esperado para cada estrategia de la matriz

según la fórmula VME(AI)= ERIJ x P(Ej)

c) Seleccionar la estrategia que reporte el mayor VME si se está

maximizando beneficios ó la estrategia que reporte el menor VME si se

está minimizando costos.

Criterio de Decisión Bayesiano

Es muy parecido al criterio de decisión del Valor Monetario Esperado con la

diferencia de que las probabilidades de los estados naturales re asignan de

forma subjetiva

Criterio de la Utilidad Esperada.

 Como puede apreciarse en el ejercicio anterior, el criterio del VME 6

Bayesiano puede conllevar a tomar decisiones que optimizan consecuencia

monetarias pero no toman en cuenta otras consideraciones de carácter

subjetivo (actitud hacia el riesgo, posibilidad de bancarrota, prestigio personal,

contribución de la organización a la comunidad, etc.) que con frecuencia

determinan los resultados preferibles y por ende la selección del curso de

acción que los contiene. El Criterio de la Utilidad Esperada pretende incluir

estos factores en el análisis de decisiones a través de la asignación de un

índice de utilidad preferencia a cada uno de los resultados ansiado a una matriz

de decisiones (el basamento teórico de esta asignación lo encontramos en la

Teoría Estadística de las Lotería) Luego se pondera cada estrategia

multiplicando la probabilidad de sus resultados por los índices de utilidad

correspondientes y se selecciones allá que resulte en una mayor unidad

esperada Es importante destacar que los índices de utilidad amigadnos a cada

resultado indican

a) Se construye la matriz de decisiones respectiva, de ser posible. 6. Se

ordenan los resultados de mayor a menor preferencia.

b) Se ordenan los resultados de mayora menos preferencia.

c) Se asignan los índices de utilidad "u", de mayor a menor a cada

resultado según el orden previamente establecido. Se debe cumplir que:

Sus y no pueden asignarse índices iguales a resultados diferentes.

Asimismo, al Rij de mayor preferencia se le asigna el uj= 1 y al de menor

preferencia el uj = 0.

d) Se calcula la Utilidad Esperada para cada curso de acción según la

fórmula: UE (Ai)- Euj (P)).

 e) Se selecciona la estrategia que resulte en una mayor UE,

independientemente de que se trate de costos o de beneficios. La lógica

de esta regla estriba en que lo que se promedia con la fórmula aplicada

es una preferencia y no un beneficio monetario. Por lo tanto, la

estrategia que arroje la mayor utilidad esperada es la que está asociada

a los resultados de mayor preferencia. Si se busca minimizar costos, los

menores resultados tendrán los mayores índices de preferencia, si se

busca maximizar beneficios los mayores resultados también tendrán los

mayores índices de preferencia Por lo tanto, la estrategia que resulte es

una mayor utilidad esperada estará asociada a los menores costos (si se

minimiza) o a los mayores beneficios (si se maximiza) Entonces,

siempre debe seleccionarse el curso de acción asociado a la mayor UE.

Funciones de Utilidad.

Si los resultados asociados a una situación de decisiones se llevan a un eje

de coordenadas conjuntamente con los índices de preferencia que les sean

asignados, obtenemos la expresión gráfica de la Función de Utilidad del decisor

involucrado en dicha decisión. Según la forma de esta función pueden sacarse

algunas conclusiones en torno a la actitud del decisor hacia el riesgo, a saber:

a) Si la curva resulta ser cóncava con relación al eje de las X implica que el

decisor tiende a ser conservador o tener aversión por el riesgo

b) Si la curva resulta ser convexa con relación al eje de las X, decisor

tiende a ser arriesgado o mostrar preferencia por el riesgo

 c) Si la función no resulta ser ni cóncava ni convexa con relación al eje de

las X (se parece a una recta creciente hacia la derecha), el decisor

tiende a ser indiferente al riesgo en esta situación

Si en un mismo eje de coordenadas graficamos la función de utilidad de tres

decisores diferentes, con actitudes hacia el riesgo también diferente,

tendríamos:

D.A.R

D.I.R

D.P.R

Donde:

D.A.R., es la Función de Utilidad típica de un Decisor con Aversión por el

Riesgo.

D.LR., es la Función de Utilidad típica de un Decisor Indiferente al Riesgo y

D.P.R., es la Función de Utilidad típica de un Decisor con Preferencia por el

Riesgo.

La función de utilidad de un decisor con aversión al riesgo es cóncava

porque bajo ninguna circunstancia desearía tener que incurrir en pérdidas. Por

lo tanto, asigna índices de utilidad muy altos y cercanos entre sí a los mejores
resultados asociados a una situación de decisiones. Sin embargo, si

analizamos su función de utilidad de derecha a izquierda, a medida que los

resultados van bajando, acercándose a las pérdidas, sus índices de preferencia

caen abruptamente para reflejar su total rechazo a tales consecuencias. En

contraste, un decisor con preferencia por el riesgo asignará índices más

cercanos y bajos para los peores resultados y más altos y distantes entre sí

para los mejores. Esto no debe interpretarse como que a este decisor le gusta

perder, al contrario, desea obtener las mejores consecuencias, solo que está

dispuesto a aceptar posibles pérdidas sabiendo que los cursos de acción que

reportan los mejores resultados, a veces conducen también a los peores Eso

es lo que explica su filiación al riesgo

Al decisor indiferente, le da igual el resultado a obtener i gana, muy bien y si

pierde, no le importa tanto, bien porque las pérdidas potenciales son ínfimas o

porque compromete muy pocos recursos en la decisión. En este caso la tasa

de crecimiento de los índices de utilidad es constante y, por ende, la función

respectiva deriva en una recta

Cabe destacar que las funciones de utilidad están asociadas a una situación

de decisiones específica y depende de la subjetividad de cada persona, lo que

equivale a decir que un mismo decisor puede tener diversas actitudes hacia el

riesgo en situaciones distintas, así como en una misma situación varios

decisores pueden tener actitudes diferentes hacia el riesgo

Valor Esperado de la información Perfecto

 Haciendo uso del Valor Esperado de la Información Perfecta (V.EIP), el

decisor puede determinar si es necesario buscar información adicional antes de

tomar su decisión.

EI VEIP se obtiene restando del Resultado Esperado cuando se tiene

Información Perfecta (R.ELP.), el que se obtendría en condiciones de Riesgo o

Incertidumbre Parcial (R.E.R).

Se tiene información perfecta cuando se puede predecir con exactitud el

estado natural que va a suceder. En estas condiciones, las probabilidades

subjetivas asignadas a cada uno de ellos, pueden interpretarse como la

proporción de veces que se pudiera predecir qué ocurrirá cada estado

determinado, si la situación de decisiones considerada se presenta

frecuentemente y en cada ocasión constata los eventos predichos.

En una situación como ésta, el decisor está seguro de la fidelidad de la

predicción y, por ende, siempre seleccionará la estrategia que le asegura la

ganancia óptima

El REIP, se calcula sumando los productos de los resultados óptimos para

cada Ej por sus respectivas probabilidades de ocurrencia, Es decir, REIP= E

(mejor Rij para cada Ej) (PD Este resultado podrá considerarse como el

beneficio (o costo) promedio que el decisor puede obtener de las situación de

decisiones en cuestión, si ésta se presenta frecuentemente, en iguales

condiciones y si en cada ocasión se elige la mejor estrategia según la

predicción realizada.

Ahora bien, el RER se obtiene calculando el VME de cada curso de acción

El Ai elegido será el que reditúe el mayor beneficio total (o el menor costo,

según sea el caso) y la diferencia entre este valor y el BEIP será el Valor

Esperado de la Información Perfecta VEIP

El VEIP representa el incremento del beneficio esperado si las predicciones

de los eventos fueren perfectas Por otra parte, el VEIP es el arrepentimiento

esperado o pérdida de oportunidad a la larga asociada con el curso de acción

óptimo bajo condiciones de incertidumbre parcial

Dado que el beneficio esperado fuese mayor i la incertidumbre diese ser

eliminada, el VEIP también es conocido como el costo de

Ahora bien, para determinar si es necesario buscar información adicional

notes de decidir, se debe comparar el costo de esta información con el valor

esperado de la información perfecta. Si tal costo es sustancialmente menor que

el VEIP, valdría la pena buscar dicha información. Su cometido sería el de

aportar datos para tomar una decisión más ventajosa. Si el VEIP es menor al

costo de la información adicional, no convendría invertir en ella, pues el

beneficio (o ahorro) extra que se obtendría al tomar una decisión más

documentada seria menor que lo gastado en dicha información.

ARBOL DE DECISIÓN

Los árboles de decisiones sirven para representar y categorizar una serie de

condiciones que ocurren de forma sucesiva, para la resolución de un problema.

Ellos proveen una visión gráfica de la toma de decisión necesaria, especifican

las variables que son evaluadas, qué acciones deben ser tomadas y el orden

en la cual la toma de decisión será efectuada. Cada vez que se ejecuta un

árbol de decisión, solo un camino será seguido dependiendo del valor actual de

la variable evaluada.

Ventajas o características

 Plantean el problema para que todas las opciones sean analizadas.

 Permiten analizar totalmente las posibles consecuencias de tomar una

decisión.

 Proveen un esquema para cuantificar el costo de un resultado y la

probabilidad de que suceda.

 Ayuda a realizar las mejores decisiones sobre la base de la información

existente y de las mejores suposiciones.

Desventajas

 Sólo es recomendable para cuando el número de acciones es pequeño y

no son posibles todas las combinaciones.

¿Cómo dibujar un árbol de decisiones?

Para dibujar un árbol de decisiones es necesario seguir una serie de pasos,

ellos son:

1. Lo primero que se debe hacer es escribir cuál es la decisión que se

necesita tomar.

2. Se dibuja un recuadro para representar esto en la parte izquierda de una

página grande de papel.

 3. Desde este recuadro se deben dibujar líneas hacia la derecha para cada

posible solución, y escribir cuál es la solución sobre cada línea. Se debe

mantener las líneas lo más apartadas posibles para poder expandir tanto

como se pueda el esquema.

4. Al final de cada línea se debe estimar cuál puede ser el resultado. Si

este resultado es incierto, se puede dibujar un pequeño círculo. Si el

resultado es otra decisión que necesita ser tomada, se debe dibujar otro

recuadro. Los recuadros representan decisiones, y los círculos

representan resultados inciertos. Se debe escribir la decisión o el

causante arriba de los cuadros o círculos. Si se completa la solución al

final de la línea, se puede dejar en blanco.

5. Desde los círculos se deben dibujar líneas que representen las posibles

consecuencias. Nuevamente se debe hacer una pequeña inscripción

sobre las líneas que digan lo que significan.

6. Seguir realizando esto hasta que se tengan dibujadas tantas

consecuencias y decisiones como sea posible ver asociadas a la

decisión original.

Una vez que se tiene hecho esto, se revisa el diagrama en árbol. Se

controla cada cuadro y círculo para ver si hay alguna solución o consecuencia

que no se haya considerado. Si hay alguna, se debe agregar. En algunos

casos será necesario dibujar nuevamente todo el árbol si partes de él se ven

muy desarregladas o desorganizadas.

Matriz de Pago

  En la teoría de decisiones, el resultado de una decisión depende del

escenario o estado de la naturaleza que se va a producir. La decisión tomada

afecta sólo a quien toma la decisión y no altera el estado de la naturaleza. Para

el desarrollo del análisis de decisiones es fundamental la matriz de pagos que

en realidad es una lista de posibles estados de la naturaleza versus las

diferentes alternativas de decisión. Dentro del cuerpo de la tabla, es decir, para

el cruce de cada estado de la naturaleza y cada decisión figuran las utilidades

(o pérdidas).

Tomemos como ejemplo la siguiente situación: suponga que para un

negocio a futuro se puede presentar dos escenarios (fuerte o débil) y frente a

estos se pueden tomar tres tipos de decisiones o estrategias (agresiva, básica

y cautelosa). Las utilidades estimadas de las decisiones en cada escenario se

muestran en la siguiente matriz de pagos:

Decisiones                          Estados de la naturaleza

                                                     Fuerte            Débil

Agresiva                                          30               -8

Básica                                             20                7

Cautelosa                                         5                15

El problema consiste en determinar qué decisión tomar. En realidad existen

tres estados de la naturaleza que definen tres tipos de decisiones, a saber:

Decisión bajo certeza

Es aquella decisión en la que se sabe qué estado de la naturaleza ocurrirá.

Decisión bajo riesgo

 Es aquella decisión en la que se conoce la distribución de probabilidades de

los estados de la naturaleza.

Decisión bajo incertidumbre

Es aquella decisión que se toma sin conocer la probabilidad de ocurrencia

de los diversos estados de la naturaleza. Es una breve explicación.

 Conclusión

En este trabajo he tratado de esclarecer nuestra manera de pensar acerca

de la incertidumbre y a desarrollar métodos para manejarla en modelos de

decisión. Mi objetivo ha sido definir de manera consistente y útil problemas en

los cuales la incertidumbre juega un papel importante y aplicar algunas técnicas

para la resolución de problemas. Primero he querido dar unas nociones básicas

de la terminología del análisis de decisiones para después dar paso a los tres

tipos de modelos de decisión, cada uno de ellos con su criterio acerca del

comportamiento de la naturaleza. He seguido explicando diferentes conceptos

y procedimientos que juegan un papel importante a la hora de resolver este tipo

de problemas, así como el criterio del pago esperado como principal

herramienta, el valor esperado de la información perfecta o la importancia de la

utilidad como medida alternativa del aspecto atractivo de cada combinación

entre una decisión y un estado de la naturaleza.

 Bibliografía

 Archivo PDF: Toma de decisiones en condiciones de Riesgos "Todos

nos enfrentamos continuamente con una serie de grandes

oportunidades brillantemente disfrazadas de problemas insolubles"

autora:

Jisell

 http://damarisulat.blogspot.com/2012/11/matriz-de-pago-y-arbol-

de-decision.html

 https://prezi.com/ayogriccjeef/matriz-de-pagos-y-arboles-de-

decision/

 https://gc.scalahed.com/recursos/files/r157r/w13098w/Estadistica

%202_4aEd_03.pdf
 Respuesta a Interrogantes

Adelis Ruiz C.I 29.513.568

1) Explique los criterios de decisiones Bayesiano

La teoría de la decisión Bayesiana plantea que la tarea de predecir la clase a

la que pertenece un elemento se puede tratar en términos probabilísticos,

(Duda, 2001). Una manera simple de ver lo anterior es con el siguiente

ejemplo: si se tiene una muestra, cuyos elementos pertenecen a una de dos

clases, y se sabe por conocimiento del universo y de la muestra que la

ocurrencia de la clase A es mayor que la clase B, entonces, se podría asignar a

priori una mayor probabilidad de ocurrencia para A que para B. Partiendo del

hecho de que lo anterior es correcto, al llegar un nuevo elemento X y

clasificarlo como A se tendría menor riesgo de equivocación que si se dice que

pertenece a B. Este sería un clasificador bastante simple, pero poco preciso.

2) Explique y de un ejemplo de la Teoría de Pronostico

Los pronósticos son el primer paso dentro del proceso deplanificación de la

producción y estos sirven como punto departida, no solo para la elaboración de

los planesestratégicos, sino además, para el diseño de los planes amediano y

corto plazo, lo cual permite a las organizaciones,visualizar de manera

aproximada los acontecimientos futurosy eliminar en gran parte la

incertidumbre y reaccionar conrapidez a las condiciones cambiantes con algún

grado de precisión.

3) Explique y de un ejemplo sobre Árbol de Decisiones

Cuando hablamos del árbol de decisión, nos referimos a la herramienta que

ayuda a presentar, graficar o categorizar diferentes escenarios que tienen una

continuidad con la finalidad de dar una solución a la problemática. En este se

plantean diferentes vertientes y solo se seguirá la que se considere más

acertada y benéfica para dar una solución.

4) Explique y de un ejemplo sobre la Teoría de Colas

Se entiende por Teoría de Colas el estudio de las líneas de espera que se

producen cuando llegan clientes demandando un servicio, esperando si no se

les puede atender inmediatamente y partiendo cuando ya han sido servidos.

5) Explique y de un ejemplo sobre la Matriz de Pago

La matriz de pago es una lista de posibles estados de la naturaleza teniendo

en cuenta los diferentes alternativas de decisión.

Jhon Aponte C.I 27.962.528

1) Explique los criterios de decisiones Bayesiana

Los criterios de bayesiana se basa en la probabilidad subjetiva, trabaja con la

actualización de la evidencia considerando los conocimientos adquiridos

previos a una investigación, más la evidencia obtenida con esta. La

interpretación de los resultados requiere la especifi cación de las hipótesis por

contrastar y su probabilidad a priori antes del estudio. La evidencia del estudio

se mide con el factor Bayes ,razón de la compatibilidad de los datos bajo las

hipótesis propuestas. La conjunción de las probabilidades a priori de las

hipótesis con el factor Bayes permite calcular la probabilidad a posteriori de

cada una. La hipótesis con mayor grado de certidumbre en su actualización es

la aceptada para la toma de la decisión. En esta revisión se muestran tres

ejemplos de hipótesis por contrastar: diferencia de promedios, correlación y

asociación.

2) Explique y de un ejemplo de la Teoría de Pronostico

Es una estimación cuantitativa o cualitativa de uno o varios factores (variables)

que conforman un evento futuro, con base en información actual o del pasado

3) Explique y de un ejemplo sobre Árbol de Decisiones

Un árbol de decisión es un método analítico que a través de una

representación esquemática de las alternativas disponible facilita la toma de

mejores decisiones, especialmente cuando existen riesgos, costos, beneficios y

múltiples opciones. El nombre se deriva de la apariencia del modelo parecido a

un árbol y su uso es amplio en el ámbito de la toma de decisiones bajo

incertidumbre, junto a otras herramientas como el Análisis del Punto de

Equilibrio.

Ejemplo:
4)Explique y de un ejemplo sobre la Teoría de Colas

Se entiende por Teoría de Colas el estudio de las líneas de espera que se

producen cuando llegan clientes demandando un servicio, esperando si no se

les puede atender inmediatamente y partiendo cuando ya han sido servidos. El

creador de la Teoría de Colas fue el matemático danés A. K. Erlang por el año

1909. Ha tenido un fuerte auge por su utilidad en el modelado del

comportamiento estocástico de gran número de fenómenos, tanto naturales

como creados por el hombre. Se puede aplicar en problemas relacionados con

redes de teléfonos, aeropuertos, puertos, centros de cálculo, supermercados,

venta mediante máquinas, hospitales, gasolineras.

Ejemplo: Si se escribe

significa que el tiempo entre llegadas es exponencial, el tiempo de servicio es

determinístico (normalmente vendrá dado por una lista o vector), el número de

canales es 2, la capacidad es infinita y la disciplina es FIFO.

5)Explique y de un ejemplo sobre la Matriz de Pago

La matriz de pago es una herramienta general para organizar los datos de

manera de facilitar la escogencia de una alternativa. Se utiliza cuando debe

decidirse que opción tomar entre posibles acciones excluyentes y puede ocurrir

uno de varios eventos posibles.