Contenido

4.1 INTRODUCCIN........................................................................................ 2
4.2 ENFOQUES DE PROBABILIDAD..................................................................2
4.2.1 Enfoque clsico de la probabilidad........................................................2
4.2.2 Enfoque de frecuencias relativas.......................................................3
4.2.3 Enfoque subjetivo de la probabilidad.................................................4
4.3 RBOLES DE DECISIN............................................................................. 4
4.4 ANLISIS DE RIESGOS.............................................................................. 8
Conclusin.................................................................................................... 14
Bibliografa................................................................................................... 14

4.1 INTRODUCCIN
En la vida real, y tanto en el mbito profesional como el personal, nos
vemos enfrentados a multitud de situaciones en las que tenemos que
decidir entre varias alternativas. La propia optimizacin no es ms que una
forma de tomar una decisin entre unas alternativas factibles.
Ahora bien, segn se defina qu es lo mejor y qu es lo posible nos
enfrentaremos a distintas situaciones de decisin para esto ocuparemos las
bases fundamentales de la Teora de Decisin, que nos ayudara y/o guiara a
la comprensin mejor de la Toma de Decisiones.
Esta tiene que ver con determinar a partir de un conjunto de alternativas
posibles, cual es la decisin ptima para el conjunto particular de
condiciones

4.2 ENFOQUES DE PROBABILIDAD

La probabilidad es un mtodo por el cual se obtiene la frecuencia de un
acontecimiento determinado mediante la realizacin de un experimento
aleatorio, del que se conocen todos los resultados posibles, bajo
condiciones suficientemente estables.
Para definir la probabilidad y determinar valores de probabilidad, se han
desarrollado 3 enfoques conceptuales:

4.2.1 Enfoque clsico de la probabilidad

El estudio clsico de la Probabilidad data del siglo XVII y del trabajo
principalmente de dos matemticos: Blas Pascal y Fermat. Gran parte de
esta teora se desarroll a partir de intentos por resolver problemas
relacionados con los juegos de azar, como el juego de dados.
Los
defensores de esta escuela del pensamiento suponen que todos los posibles
resultados de un experimento son mutuamente excluyentes y tienen la
misma posibilidad de ocurrir que cualquier otro. Por definicin si un evento
puede ocurrir de N maneras mutuamente exclusivas e igualmente probables
y si m de estas posee una caracterstica E, la probabilidad de ocurrencia
de E es m / n.

EJEMPLO: Determine la probabilidad de que al tirar un dado: a) Aparezca un

3, y b) No aparezca el 3. Existen 6 eventos posibles al tirar un dado, entre
los cuales hay uno del tipo que nos interesa, por lo tanto:
P (3) = 1/6 = 16.7%
Para el caso b existen 5 eventos de inters para nosotros del total del
espacio muestral de 6 por lo que: P (No sea 3) = 5/6 = 83.3 %
2

Cabe hacer la apreciacin de que los eventos sea un 3 y no sea un

3 adems de ser mutuamente excluyentes, son exhaustivos ya que juntos
abarcan la totalidad del espacio muestral, en consecuencia:
P (3) + P (No sea un 3) = 1
1/6 +

5/6

16.7 % +

6/6

83.3 %

= 1
=

100 %

El enfoque clsico de Probabilidad no solo se aplica a los juegos de azar

sino tambin a cualquier situacin en que los resultados sean igualmente
probables, no obstante este supuesto no siempre se cumple por lo cual el
enfoque clsico no siempre es aplicable ya que la determinacin de la
probabilidad se efecta haciendo la suposicin de un solo intento del
experimento, bastando con conocer el total de resultados posibles y
el
nmero de eventos que tienen la caracterstica de inters.

4.2.2 Enfoque de frecuencias relativas

Esta segunda manera de interpretar la probabilidad tiene como base un
teorema establecido por el matemtico suizo Jacobo Bernoulli
(1674
1705). Este teorema dice: La Probabilidad de que ocurra un evento es la
frecuencia relativa observada de ese evento en un nmero muy grande de
casos.
Sea n un nmero grande de repeticiones de un experimento aleatorio; f
las veces que un resultado especfico ocurre en ellos y
P (A) la
probabilidad
de
ese
resultado
en
cada
intento,
entonces:
P (A) = f / n

Cuando n es grande.

El teorema de Bernoulli puede ser ilustrado repitiendo un gran nmero de

veces un experimento aleatorio sencillo.
Por ejemplo: En una caja colocamos cierto nmero de canicas de igual
tamao, digamos 70 de las cuales 42 son blancas y el resto negras.
Mezclmoslas cuidadosamente, saquemos una al azar y registremos en una
tabla de conteo el color que esta tenga, cuidando de reintegrar la canica
antes de repetir el experimento.
Esperamos por la Ley de los grandes nmeros que a la larga el evento salir
blanca se presentara ms o menos un 60 % de las veces. La probabilidad
60% de las veces no significa que de cada 10 repeticiones la canica blanca
saldr 6 veces.
La ley de los grandes nmeros seala que si se repite el experimento un
nmero de veces suficientemente grande, el evento blanca ocurrir en
una proporcin cercana a 0.6; Pero Cuando un evento se considera
suficientemente grande? No hay cifra especfica, depende de la
aproximacin que se requiera al valor verdadero de probabilidad
y la
seguridad que deseamos tener de esa aproximacin.

La ley de Bernoulli permite estimar probabilidades con base en la proporcin

de veces que un hecho haya ocurrido en el pasado en un gran nmero de
repeticiones bajo la misma situacin, pero no debemos olvidar que las
repeticiones se realicen bajo las mismas condiciones. Es indudable que
muchas situaciones a las que se pretende aadir un enunciado de
probabilidad pueden no ser repetibles, sino ms bien nicas lo cual har
discutible la objetividad de los valores de probabilidad por la va de la
frecuencia relativa.
No obstante, este enfoque es el ms aceptado y de mayor aplicacin para la
determinacin de probabilidades de eventos: Posee la ventaja de eliminar la
restriccin de equiprobabilidad que tiene el enfoque clsico, introduciendo
el concepto de repeticin del proceso de seleccin n veces.

4.2.3 Enfoque subjetivo de la probabilidad

Segn el enfoque subjetivo la probabilidad es una medida del grado de
certidumbre que tiene una persona respecto a la ocurrencia de un evento.
Este punto de vista no es tan arbitrario como a primera vista parece, no
quiere decir que se escoja sin ton ni son un nmero entre 0 y 1 y digamos
que se trata de la probabilidad de un evento.
Asociar un nmero al grado de certeza que podamos tener respecto a un
suceso es un asunto separado del principio de probabilidad subjetiva, ya
que la probabilidad puede ser vista como una medida del grado de creencia
que tiene uno que partir del juicio o valoracin propios de evidencia de
incertidumbres relevantes.
El enfoque subjetivo es un modo de entender que la probabilidad de
eventos donde no hay resultados igualmente probables ni un numero
grande de repeticiones con las mismas caractersticas.
Ejemplo: Un dirigente del Partido Accin Nacional dice que la probabilidad
subjetiva de que su agrupacin ganara las elecciones al Gobierno del Estado
de Nayarit en el ao 1999 es del 80%. Esto significa que partiendo de su
conocimiento de la situacin y juzgando las evidencias que rodean una
campaa y los candidatos que se tienen, siente cuatro veces ms probable
que gane su partido a que pierda.
En ocasiones la probabilidad subjetiva se estima haciendo uso del concepto
de probabilidades a favor, y consiste en una forma alternativa de expresar
una probabilidad sea o no subjetiva.
Por ejemplo:
Si la probabilidad de ocurrencia de un evento se denota por
p la de su no ocurrencia por q entonces:
q = 1 p
por lo que
las probabilidades a favor del evento se definen como la razn de p a q
convencionalmente estas probabilidades se expresan con la razn de dos
enteros positivos, c a d que carecen de factores comunes, esto es:
p/ q

c / d

Donde c y d son dos enteros positivos sin factores comunes, las

probabilidades a favor de un evento son c a d y en contra d a c. Se
anuncian a favor si p es mayor que q y en contra si q es mayor que p, es
decir se pone primero el entero mayor.
4

4.3 RBOLES DE DECISIN

Un rbol de decisin es una forma grfica y analtica de representar todos
los eventos (sucesos) que pueden surgir a partir de una decisin asumida en
cierto momento. Nos ayudan a tomar la decisin ms acertada, desde un
punto de vista probabilstico, ante un abanico de posibles decisiones.
Permite desplegar visualmente un problema y organizar el trabajo de
clculos que deben realizarse

Terminologa
Nodo de decisin: Indica que una decisin necesita tomarse en ese punto
del proceso. Est representado por un cuadrado.

Nodo de probabilidad: Indica que en ese punto del proceso ocurre un

evento aleatorio. Est representado por un crculo.

Rama: Nos muestra los distintos caminos que se pueden emprender

cuando tomamos una decisin o bien ocurre algn evento aleatorio.

GRAFICAMENTE

Pasos para el Anlisis del rbol de Decisin

Definir el problema.
Dibujar el rbol de decisin.
Asignar probabilidades a los eventos aleatorios.
Estimar los resultados para cada combinacin posible de alternativas.
Resolver el problema obteniendo como solucin la ruta que
proporcione la poltica ptima.

EJEMPLO
Una compaa de seguros nos ofrece una indemnizacin por accidente de
210.000$. Si no aceptamos la oferta y decidimos ir a juicio podemos obtener
185.000$, 415.000$ o 580.000$ dependiendo de las alegaciones que el juez
considere aceptables. Si perdemos el juicio, debemos pagar las costas que
ascienden a 30.000$. Sabiendo que el 70% de los juicios se gana, y de
stos, en el 50% se obtiene la menor indemnizacin, en el 30% la
intermedia y en el 20% la ms alta, determinar la decisin ms acertada.

EJEMPLO
Una fbrica est evaluada en 150 millones. La fbrica desea incorporar un
nuevo producto al mercado. Existen tres estrategias para incorporar el
nuevo producto:

Alternativa 1.- Hacer un estudio de mercado del producto de forma de

determinar si se introduce o no al mercado.
Alternativa 2.-Introducir inmediatamente el producto al mercado (sin
estudio).
Alternativa 3.- No lanzar inmediatamente el producto al mercado (sin
estudio).
7

En ausencia de estudio de mercado, la fbrica estima que el producto tiene

un 55% de posibilidades de ser exitoso y de 45% de ser un fracaso. Si el
producto es exitoso, la fbrica aumentara en 300 millones su valor, si el
producto fracasa se devaluara en 100 millones. El estudio de mercado vale
30 millones. El estudio predice que existe un 60% de probabilidad de que el
producto sea exitoso. Si el estudio de mercado determina que el producto
sera exitoso, existe un 85% de posibilidades de que efectivamente lo sea.
Si el estudio de mercado determina que el producto sera un fracaso, existe
slo un 10% de posibilidades de que el producto sea exitoso. Si la empresa
no desea correr riesgos (desea maximizar el valor esperado de la empresa).
Qu estrategia debera seguir?

4.4 ANLISIS DE RIESGOS

El anlisis de riesgo es el uso sistemtico de la informacin disponible para
determinar la frecuencia con la que determinados eventos se pueden
producir y la magnitud de sus consecuencias.
Los riesgos normalmente se definen como eventos negativos, como puede
ser la prdida de dinero en una empresa o una tormenta que genera un
gran nmero de reclamaciones de seguro. Sin embargo, durante el proceso
de anlisis de riesgo tambin se pueden descubrir resultados potenciales
positivos. Mediante la exploracin de todo el espacio de posibles resultados
para una situacin determinada, un buen anlisis de riesgo puede identificar
peligros y descubrir oportunidades.
El anlisis de riesgo se puede realizar cualitativa y cuantitativamente. El
anlisis de riesgo cualitativo generalmente incluye la evaluacin instintiva o
por corazonada de una situacin, y se caracteriza por afirmaciones como
Eso parece muy arriesgado o Probablemente obtendremos buenos
resultados. El anlisis de riesgo cuantitativo trata de asignar valores
numricos a los riesgos, utilizando datos empricos o cuantificando
evaluaciones cualitativas.

ANLISIS DE RIESGO DETERMINISTA

Un anlisis de riesgo cuantitativo se puede realizar con dos mtodos
diferentes. El primer mtodo utiliza estimaciones de un solo punto, y es de
naturaleza determinista. Con este mtodo, un analista puede asignar
valores a situaciones independientes para ver los resultados que se podran
producir en cada una. Por ejemplo, en un modelo financiero, un analista

normalmente examina tres resultados diferentes: el peor de los casos, el

mejor de los casos y el caso ms probable. Cada uno se define as:
El peor de los casos Todos los costos tienen el valor ms alto posible,
mientras que los ingresos por ventas responden a la estimacin ms baja
posible. El resultado es la prdida de dinero.
El mejor de los casos Todos los costos tienen el valor ms bajo posible,
mientras que los ingresos por ventas responden a la estimacin ms alta
posible. El resultado es la ganancia de mucho dinero.
El caso ms probable Los valores que se seleccionan son los intermedios
para los costos e ingresos, y el resultado muestra una ganancia moderada
de dinero.
Este mtodo tiene varios problemas:
Slo se consideran unos pocos resultados independientes, y se ignoran
cientos o miles ms.
Se da el mismo peso a cada resultado. Es decir, no se trata de evaluar la
probabilidad de cada resultado.
Se ignora la interdependencia entre las variables de entrada, el impacto de
las diferentes variables sobre el resultado y otros detalles, simplificando en
exceso el modelo y reduciendo su precisin.

ANLISIS DE RIESGO ESTOCSTICO

Una mejor forma de hacer un anlisis de riesgo cuantitativo es mediante el
uso de la simulacin Monte Carlo. En la simulacin Monte Carlo, las
variables inciertas de un modelo se representan usando rangos de posibles
valores denominados distribuciones de probabilidad. Mediante el uso de
distribuciones de probabilidad, las variables pueden tener diferentes
probabilidades de producir diferentes resultados. Las distribuciones de
probabilidad son una forma mucho ms realista de describir la
incertidumbre en las variables de un anlisis de riesgo. Las distribuciones
de probabilidad ms comunes son:
Normal O curva de campana. El usuario simplemente define la media o
valor esperado y una desviacin estndar para describir la variacin con
respecto a la media. Los valores intermedios cercanos a la media tienen
mayor probabilidad de producirse. Es una distribucin simtrica y describe
muchos fenmenos naturales, como puede ser la estatura de una poblacin.
Ejemplos de variables que se pueden describir con distribuciones normales
son los ndices de inflacin y los precios de la energa.
Lognormal Los valores muestran una clara desviacin; no son simtricos
como en la distribucin normal. Se utiliza para representar valores que no
bajan por debajo del cero, pero tienen un potencial positivo ilimitado.
Ejemplos de variables descritas por la distribucin lognormal son los valores
de las propiedades inmobiliarias y bienes races, los precios de las acciones
de bolsa y las reservas de petrleo.
Uniform Todos los valores tienen las mismas probabilidades de producirse;
el usuario slo tiene que definir el mnimo y el mximo. Ejemplos de
10

variables que se distribuyen de forma uniforme son los costos de

manufacturacin o los ingresos por las ventas futuras de un nuevo producto.
Triangular El usuario define los valores mnimo, ms probable y mximo.
Los valores situados alrededor del valor ms probable tienen ms
probabilidades de producirse. Las variables que se pueden describir con
una distribucin triangular son el historial de ventas pasadas por unidad de
tiempo y los niveles de inventario.
PERT- El usuario define los valores mnimo, ms probable y mximo, como
en la distribucin triangular.
Los valores situados alrededor del ms
probable tienen ms probabilidades de producirse. Sin embargo, los valores
situados entre el ms probable y los extremos tienen ms probabilidades de
producirse que en la distribucin triangular; es decir, los extremos no tienen
tanto peso. Un ejemplo de uso de la distribucin PERT es la descripcin de
la duracin de una tarea en un modelo de gestin de un proyecto.
Discrete El usuario define los valores especficos que pueden ocurrir y la
probabilidad de cada uno. Un ejemplo podra ser los resultados de una
demanda legal: 20% de posibilidades de obtener un veredicto positivo, 30%
de posibilidades de obtener un veredicto negativo, 40% de posibilidades de
llegar a un acuerdo, y 10% de posibilidades de que se repita el juicio.
Durante una simulacin Monte Carlo, los valores se muestrean
aleatoriamente a partir de las distribuciones de probabilidad introducidas.
Cada grupo de muestras se denomina iteracin, y el resultado
correspondiente de esa muestra queda registrado. La simulacin Monte
Carlo realiza esta operacin cientos o miles de veces, y el resultado es una
distribucin de probabilidad de posibles resultados. De esta forma, la
simulacin Monte Carlo proporciona una visin mucho ms completa de lo
que puede suceder.
Indica no slo lo que puede suceder, sino la
probabilidad de que suceda.
La simulacin Monte Carlo proporciona una serie de ventajas sobre el
anlisis determinista:
Resultados probabilsticos. Los resultados muestran no slo lo que puede
suceder, sino lo probable que es un resultado.
Resultados grficos. Gracias a los datos que genera una simulacin Monte
Carlo, es fcil crear grficos de diferentes resultados y las posibilidades de
que sucedan. Esto es importante para comunicar los resultados a otras
personas interesadas.
Anlisis de sensibilidad. Con slo unos pocos resultados, en los anlisis
deterministas es ms difcil ver las variables que ms afectan el resultado.
En la simulacin Monte Carlo, resulta ms fcil ver qu variables
introducidas tienen mayor influencia sobre los resultados finales.
Anlisis de escenario. En los modelos deterministas resulta muy difcil
modelar diferentes combinaciones de valores de diferentes valores de
entrada, con el fin de ver los efectos de situaciones verdaderamente
diferentes. Usando la simulacin Monte Carlo, los analistas pueden ver
exactamente los valores que tienen cada variable cuando se producen
ciertos resultados. Esto resulta muy valioso para profundizar en los anlisis.
11

Correlacin de variables de entrada. En la simulacin Monte Carlo es posible

modelar relaciones interdependientes entre diferentes variables de entrada.
Esto es importante para averiguar con precisin la razn real por la que,
cuando algunos factores suben, otros suben o bajan paralelamente.

PASOS PARA REALIZAR UN ANLISIS DE RIESGO

Fase 1. Definir el alcance

El primer paso a la hora de llevar a cabo el anlisis de riesgos es establecer
el alcance del estudio. Vamos a considerar que este anlisis de riesgos
forma parte del Plan Director de Seguridad. Por lo tanto, recomendamos que
el anlisis de riesgos cubra la totalidad del alcance del PDS, dnde se han
seleccionado las reas estratgicas sobre las que mejorar la seguridad. Por
otra parte, tambin es posible definir un alcance ms limitado atendiendo a
departamentos, procesos o sistemas. Por ejemplo, anlisis de riesgos sobre
los procesos del departamento Administracin, anlisis de riesgos sobre los
procesos de produccin y gestin de almacn o anlisis de riesgos sobre los
sistemas TIC relacionados con la pgina web de la empresa, etc. En este
caso prctico consideramos que el alcance escogido para el anlisis de
riesgos es Los servicios y sistemas del Departamento Informtica.

Fase 2. Identificar los activos

12

Una

vez

definido

el

alcance,

debemos

identificar

los

activos

ms

importantes que guardan relacin con el departamento, proceso, o sistema

objeto del estudio. Para mantener un inventario de activos sencillo puede
ser suficiente con hacer uso de una hoja de clculo o tabla como la que se
muestra a continuacin a modo de ejemplo:

Fase 3. Identificar / seleccionar las amenazas

Habiendo identificado los principales activos, el siguiente paso consiste en
identificar las amenazas a las que estos estn expuestos. Tal y como
imaginamos, el conjunto de amenazas es amplio y diverso por lo que
debemos

hacer

un

esfuerzo

en

mantener

un

enfoque

prctico

aplicado. Por ejemplo, si nuestra intencin es evaluar el riesgo que corremos

frente a la destruccin de nuestro servidor de ficheros, es conveniente,
considerar las averas del servidor, la posibilidad de daos por agua (rotura
de una caera) o los daos por fuego, en lugar de plantearnos el riesgo de
que el CPD sea destruido por un meteorito.

Fase 4. Identificar vulnerabilidades y salvaguardas

La siguiente fase consiste en estudiar las caractersticas de nuestros activos
para identificar puntos dbiles o vulnerabilidades. Por ejemplo, una posible
vulnerabilidad puede ser identificar un conjunto de ordenadores o servidores
cuyos sistemas antivirus no estn actualizados o una serie de activos para
los que no existe soporte ni mantenimiento por parte del fabricante.
Posteriormente, a la hora de evaluar el riesgo aplicaremos penalizaciones
para reflejar las vulnerabilidades identificadas.

13

Fase 5. Evaluar el riesgo

Llegado a este punto disponemos de los siguientes elementos:

Inventario de activos.

Conjunto de amenazas a las que est expuesta cada activo.

Conjunto

de

vulnerabilidades

asociadas

cada

activo

(si

corresponde).

Conjunto de medidas de seguridad implantadas

Con esta informacin, nos encontramos en condiciones de calcular el riesgo.
Para cada par activo-amenaza, estimaremos la probabilidad de que la
amenaza se materialice y el impacto sobre el negocio que esto producira. El
clculo de riesgo se puede realizar usando tanto criterios cuantitativos como
cualitativos. Pero para entenderlo mejor, veremos a modo de ejemplo las
tablas para estimar los factores probabilidad e impacto.
Tabla para el clculo de la probabilidad

Tabla para el clculo del impacto

Clculo del riesgo

A la hora de calcular el riesgo, si hemos optado por hacer el anlisis
cuantitativo, calcularemos multiplicando los factores probabilidad e impacto:
RIESGO = PROBABILIDAD x IMPACTO.

14

Si por el contrario hemos optado por el anlisis cualitativo, haremos uso de

una matriz de riesgo como la que se muestra a continuacin:

Fase 6. Tratar el riesgo

Una vez calculado el riesgo, debemos tratar aquellos riesgos que superen
un lmite que nosotros mismos hayamos establecido. Por ejemplo, trataremos
aquellos riesgos cuyo valor sea superior a 4 o superior a Medio en caso
de que hayamos hecho el clculo en trminos cualitativos. A la hora de
tratar el riesgo, existen cuatro estrategias principales:

Transferir el riesgo a un tercero. Por ejemplo, contratando un seguro

que cubra los daos a terceros ocasionados por fugas de informacin.

Eliminar el riesgo. Por ejemplo, eliminando un proceso o sistema que

est sujeto a un riesgo elevado. En el caso prctico que hemos expuesto,
podramos eliminar la wifi de cortesa para dar servicio a los clientes si no es
estrictamente necesario.

Asumir el riesgo, siempre justificadamente. Por ejemplo, el coste de

instalar un grupo electrgeno puede ser demasiado alto y por tanto, la
organizacin puede optar por asumir.

15

Implantar medidas

para

mitigarlo. Por

ejemplo, contratando

un

acceso a internet de respaldo para poder acceder a los servicios en la nube

en caso de que la lnea principal haya cado.

Conclusin
En conclusin podemos decir que la toma de decisiones en las diferentes
reas del conocimiento, se lleva un procedimiento que va a una misma
solucin pero no igual en el sentido de aplicarlo.
Se logra comprender ms a detalle, cmo debe hacerse realmente una
eleccin, sabiendo primero cul es el problema que debo solucionar a travs
de ella y a continuacin analizar a conciencia los posibles caminos que
puedo seguir para llegar a mi meta.

Bibliografa
https://www.google.com.mx/webhp?sourceid=chromeinstant&ion=1&espv=2&ie=UTF-8#q=teoria+de+decisiones
http://cidcaprobabilistica.blogspot.mx/2007/08/tipos-de-enfoque-de-laprobabilidad.html
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4010014/Contenidos/
Capitulos%20PDF/CAPITULO%202.pdf
https://es.wikipedia.org/wiki/Probabilidad

16