Deciones

PRESENTA : YAIR PABLO ROMAN ROMAN
INDICE
1 SISTEMA ADMINISTRATIVO
1.2 EL PROCESO EN LA TOMA DE DECISIONES
1.3 SISTEMAS ORGANIZACIONALES EN LA TOMA DE

DECISIONES.
1.4 DISEMINACION DE LA TOMA DE DECISIONES
1.5 UNIDAD BASICA DE COMPORTAMIENTO
1.6FACTORES EN LA TOMA DE DECISIONES
1.7DIMENSIONES EN LA TOMA DE DECISIONES
2 TOMA DE DECISIONES
2.1 DEFINICION Y NATURALEZA
2.2 MATRIZ DE DECISIONES
2.3 OPCIONES EN LA TOMA DE DECISIONES
2.4 TIPOS DE DECISIONES
2.4.1 CERTIDUMBRE
2.4.2 RIESGO
2.4.3 INCERTIDUMBRE
2.5 ANALISIS DE LA INFORMACION

2.5.1 ANALISIS ESTADISTICOS
2.5.2 TIPOS DE ESCALA
2.5.3 DISTRIBUCIONES DE FRECUENCIA
2.5.4 TECNICAS DE REPRESENTACION GRAFICA
2.6 HERRAMIENTA CONTABLE PARA LA TOMA DE DECISIONES
2.6.1 LOS ESTADOS FINACIEROS PARA CASOS PRACTICOS
2.7 CRITERIOS DE REALISMO
3 LA TOMA DE DECISIONES EN CONDICIONES DE

CERTIDUMBRE
3.1 PROGRMA LINEAL.
3.1.1 CONCEPTOS BASICOS
3.1.4 SOLUCIONES ALGEBRAICA
3.1.5 METODO SIMPLE
3.1.6 MODELO DUAL
3.1.7 MODELO DE TRANSPORTE
3.1.7.1 FORMULACION DE MODELOS
3.1.7.2 SOLUCIONES FACTIBLES
3.1.7.3 SOLUCIONES PTIMAS.
4 LA TOMA DE DESICIONES EN CONDICINES DE RIESGO
4.1 ESTADISTICAS
4.1.1 MODELOS DE TENDENCIA CENTRAL
4.1.2 MEDIA MEDIANA Y MODA

4.1.3 MEDIDAS DE DISPERSION
4.1.4 DESVIACIONESTANDAR Y LA VARIANZA
4.2TEORIA D LA PROBABILIDAD
4.2.1 PROPIEDADES FORMALES DELAS PROBABILIDADES
4.2.2 COMBINACIONES Y PERMUTACIONES
4.2.3 FORMULA DE BAYES
4.2.4 ARBOL DE LAS DESICIONES.
5 TOMA DE DESICIONES EN CONDICIONES DE INCERTIDUMBRE
5.1 CRITERIO DE WALD
5.2 CRITERIO DE HURWUICS
5.3 CRITERIO DE LAPLACE
5.4 CRITERIO DE I J SAVAGE
5.5 VALOR ESPERADO DE LA INFORMACION PERFECTA
5.6 ANALISIS A POSTERIORI
5.7 ANALISIS PRE A POSTERIORI.

1.1 Definicin de la toma de decisiones
Una decisin es una leccin entre posibilidades, que implica evaluar las lneas
de accin disponibles y determinar qu accin se llevara a cabo.
Una decisin ocurre cuando una persona con una necesidad insatisfecha realiza
una accin para satisfacer esa necesidad o deseo. Sabemos que una buena
decisin es la que elige el mejor proceder disponible ante la incertidumbre de las
consecuencias. Algunas decisiones son fciles de tomar y en realidad, incluso
podran no considerarse como decisiones ya que la eleccin parecer ser obvia.
Con frecuencia hay una opcin dominante que claramente es mejor que las otras
respecto a los factores importantes en cada caso. Y otras decisiones son mucho
ms difciles de tomar y las respuestas mucho ms complejas. Para tomar estas
decisiones debemos saber lo siguiente:
El valor que tiene para nosotros cada opcin.
El resultado probable.
Estos aspectos son decisivos en la toma de decisiones.
La ciencia de toma de decisiones:
Para explorar hoy en da la investigacin cientfica de la toma de decisiones se

requiere en primer lugar, conocer los modelos tradicionales, normativos, as como
los modelos psicolgicos que se han construido basndose en ellos, adems de
investigaciones que se han hecho en los sistemas neuronales.
La actividad cognitiva bsica de la toma de decisiones es evaluar cada una de las

posibles elecciones y determinar cual tiene ms probabilidades de conseguir las
metas propuestas.
La vida nos presenta muchas metas y an ms posibilidades de eleccin.
El rbol de decisiones:
Los arboles de decisiones representan las lneas de accin o las opciones y las
consecuencias que se seguirn de cada eleccin.
El rbol de decisiones es una ayuda prctica, til para representar los aspectos de
una decisin. Cualquier situacin que podamos llamar decisin est compuesta
por:
Alternativas: Son los modos de proceder, opciones, elecciones y

estrategias.
Creencias: Es la estimacin de probabilidad.
Consecuencias. Beneficios o prdidas que se experimentan.
Toma de decisiones racional: El modelo de utilidad esperada.
Este modelo asume una conducta racional en quien toma la decisin al valorar las
probabilidades que tienen las posibles alternativas, al evaluar las consecuencias,
al asignar las utilidades. La utilidad implica es fundamentalmente subjetiva, la
utilidad subjetiva varia de una persona a otra, de una circunstancia a otra.
Limitaciones del modelo de utilidad esperada:

Decisiones irracionales.
Fragilidad.
Pequeas probabilidades.
Pesos de decisin.
Diversos resultados.
Subestima causas.
No es un modelo perfecto.
Bases neuronales de los clculos de utilidad esperada.
Glimcher y otros investigadores han encontrado regiones del cerebro en las que
hay actividad neuronal relacionada con la ejecucin de los clculos prescritos por
el modelo de la utilidad esperada.
El cerebro lleva a cabo clculos de utilidad como los que determina la ecuacin de
la utilidad esperada, de que las perdidas y las ganancias no se tratan del mismo
modo y de que incluso pudiera existir una ruta neuronal diferenciada para evaluar
las consecuencias.
Preferencia, transitividad e invariancia de procedimiento: Transgresiones

comportamentales.
Tanto la transitividad como la invariancia de procedimientos son distintivos del
modelo de utilidad esperada.
Transitividad: hace una relacin entre varios elementos hasta que elige el
preferido.
Invariancia: se da dos opciones para escoger.
Racionalidad ligada y el algoritmo de satisfaccin:
Es un proceso de eleccin que son tan racionales como lo pueden ser, dadas las
limitaciones cognitivas respecto a la cantidad de informacin que podemos
procesar.
La satisfaccin tiene que ver con la toma de decisiones. Los procesos cognitivos
que se precisan para logar la satisfaccin son muy diferentes de los que se
necesitan para el clculo de la utilidad esperada y por lo general requieren mucho
menos esfuerzo.
La satisfaccin es una estrategia prctica, fiable y realista desde el punto de vista

computacional para la toma de decisiones en los seres humanos. Es tambin la
nica por la cual parece ser que las personas equilibran el esfuerzo cognitivo y lo
deseable del resultado.
1.1.1 Somos los seres humanos animales racionales?
Las personas frecuentemente no logran alcanzar los estndares de la racionalidad

terica.
Nuestro mejor juicio es que la evolucin y la cultura nos han preparado para hacer
las cosas casi del mejor modo posible en muchos contextos. Pero dado a que los
seres humanos remodelamos nuestro entorno frecuentemente no es probable que
seamos por completo racionales e incluso puede que no tengamos las
capacidades de aprendizaje necesarias para adaptarnos a ciertos ambientes
modernos artificiales, pero muy importantes.
Efectos de encuadre y teora prospectiva:
El principio es conocido como invariancia descriptiva, implica que un problema de
decisin descrito por medio de asertos diferentes pero lgicamente equivalentes
deberan conducir a la misma direccin. Este problema no es aplicable en la
percepcin.
Precepto fundamental en la psicologa cognitiva es que nuestras acciones estn

determinadas por nuestra representacin mental de las situaciones.
Teora Prospectiva:
Propone que la primera etapa en la toma de decisiones es discernir las
probabilidades que se tienen encuadrando los trminos de la decisin.
Encuadrar implica simplificar y combinar ciertas cantidades y evaluar prdidas y

ganancias comparndolas con el punto de referencia.(Situacin actual antes de
tomar decisin)
Papel de las emociones en la valoracin: la paradoja de Alanis.

Hay decisiones que se toman en momentos de ira o furia. La paradoja de Alanis es
la contradiccin es la contradiccin aparente que se observa cuando aadir un
acontecimiento a cada alternativa tiene el efecto de cambiar las preferencias de
quin toma la decisin.
Papel de las emociones en la valoracin: descuento temporal e inconsistencia

dinmica.
Descuento temporal: Tendencia a devaluar los resultados que ocurrirn en un
futuro remoto.
Inconsistencia dinmica: cuando un resultado es inmediato, nuestro sistema
emocional controla nuestra conducta y nos conduce a elegir la gratificacin que se
encuentra disponible con carcter inmediato.1
1
Anderson, David; Sweeney, Dennis; Thomas Williams: Mtodos cuantitativos para los negocios,
International Thomson Editores, 1999
Juicios crticos ante la ambigedad:
Paradoja de Ellsberg : eleccin de la certeza ante la ambigedad aun cuando el
resultado sea una pauta inconsciente de elecciones.
Juicios crticos sobre probabilidad ante la incertidumbre.
Las personas no estn dotadas con intuiciones que sigan leyes matemticas de la
teora de la probabilidad. Ms bien cuando se enfrentan a la incertidumbre se
basan en capacidades cognitivas de memoria para evaluar las e imaginar las
causas de los acontecimientos
Disponibilidad de la informacin: Cuando tratamos de evaluar la probabilidad de

que ocurra algo nos basamos en la poder recuperar ejemplos relevantes.
Representatividad: habilidad para hacer juicios rpidos de similitud y de nuestro
hbito de pensar en trminos de acontecimientos representativos o de casos.
Simulacin Heurstica: capacidad para juzgar la probabilidad, la confianza en las
relaciones causales y los modelos causales simples.
Teora de Soporte: combinamos nuestras creencias sobre probabilidad a partir de
mltiples fuentes y que se basan en muchas capacidades cognitivas en una fuerza
de credibilidad.
Toma de decisiones complejas e inciertas:

Damasio (1994) citado por Smith y Kosslyn (2008)
Toma normal de decisiones adaptables en ambientes complejos e inciertos

depende de marcadores somticos, seales emocionales que nos previenen de
que estn a punto de ocurrir acontecimientos importantes. Los marcadores
somticos nos previenen de amenazas u oportunidades excepcionales, nos dan
una advertencia de que algo va a ocurrir.
Freemont E. Kast: la toma de decisiones es fundamental para el organismo la

conducta de la organizacin. La toma de decisin suministra los medios para el
control y permite la coherencia en los sistemas. (KAST, 1979).
Moody, es una accin que debe tomarse cuando ya no hay ms tiempo para
recoger informacin.
Leon Blan Buris define que una decisin es una eleccin que se hace entre varias
alterativas.
Le Moigne define el termino decidir cmo identificar y resolver los problemas que
se le presenta a toda organizacin. Por tanto, el desencadenante del proceso de
toma de decisiones es la existencia de un problema, pero cundo existe un
problema? Para Huber existir un problema cuando hay diferencia entre la
situacin real y la situacin deseada. La solucin del problema puede consistir en
modificar una u otra situacin, por ello se puede definir como el proceso
consciente de reducir la diferencia entre ambas situaciones.
Greenwood afirma que la toma de decisiones para la administracin equivale

esencialmente a la resolucin de problemas empresariales. Los diagnsticos de
problemas, las bsquedas y las evaluaciones de alternativas y la eleccin final de
una decisin, constituyen las etapas bsicas en el proceso de toma de decisiones
y resolucin de problemas2
1.2 El proceso en la toma de decisiones
Se pueden identificar principalmente las siguientes etapas en la toma de

decisiones luego de un necesario y generoso input de informacin, para llevar
a cabo este proceso:
1.2.1Identificar y analizar el problema

2
http://tomardecisiones.wikispaces.com/
C. Marco
Encontrar el problema y reconocer que se debe tomar una decisin para llegar a la
solucin de este. El problema puede ser actual, o potencial, porque se estima que
existir en el futuro.
1.2.2 .Identificar los criterios de decisin y ponderarlos
Aquellos aspectos que son relevantes al momento de tomar la decisin, es decir

aquellas pautas de las cuales depende la decisin que se tome.
1.2.3 Definir la prioridad para atender el problema
La definicin de la prioridad se basa en el impacto y en la urgencia que se tiene

para atender y resolver el problema.
1.2.4 Generar las alternativas de solucin
Consiste en desarrollar distintas posibles soluciones al problema. Cuantas ms

alternativas se tengan va ser mucho ms probable encontrar una que resulte
satisfactoria. Tcnicas tales como la lluvia de ideas, las relaciones forzadas, la
sinttica, etc. son necesarias en esta etapa en la cual es importante la creatividad.
1.2.5 Evaluar las alternativas
Se trata de un estudio detallado de cada una de las posibles soluciones que se

generaron para el problema, es decir mirar sus ventajas y desventajas, de forma
individual con respecto a los criterios de decisin, y una con respecto a la otra,
asignndoles un valor ponderado.
1.2.6 Eleccin de la mejor alternativa

En este paso se escoge la alternativa que segn la evaluacin va a obtener
mejores resultados para el problema.
Existen tcnicas (por ejemplo, anlisis jerrquico de la decisin) que nos ayudan a
valorar mltiples criterios.
1.2.7 Aplicacin de la decisin
Poner en marcha la decisin tomada para as poder evaluar si la decisin fue o no

acertada. La implementacin probablemente derive en la toma de nuevas
decisiones, de menor importancia.
1.2.8 Evaluacin de los resultados
Despus de poner en marcha la decisin es necesario evaluar si se solucion o no

el problema, es decir si la decisin est teniendo el resultado esperado o no. Si el
resultado no es el que se esperaba se debe mirar si es porque debe darse un
poco ms de tiempo para obtener los resultados o si definitivamente la decisin no
fue la acertada, en este caso se debe iniciar el proceso de nuevo para hallar una
nueva decisin.3
https://www.emprendepyme.net/el-proceso-de-toma-de-decisiones.html
1.3 Sistemas organizacionales y la toma de decisiones.
Si bien las teoras organizacionales han generado slidas bases

conceptuales para el estudio de las decisiones organizacionales, parece necesario
seguir discutiendo tericamente la funcin de las decisiones en la configuracin
del orden organizacional ms all del cumplimiento de objetivos formales. En el
marco de esa discusin resulta conveniente adoptar un enfoque terico basado en
supuestos de complejidad que conciba a las decisiones como respuestas
adaptativas a las condiciones inciertas del entorno organizacional.
1.3.1 Cmo se toman las decisiones organizacionales?
Dos de los enfoques econmicos en el estudio de las decisiones organizacionales

son las teoras de la eleccin y las de la economa organizacional. Las primeras
intentan responder a la pregunta cul es el mejor mtodo para la toma de
decisiones? (teoras de la eleccin pblica y social). Las segundas, por su parte,
pretenden saber por qu surgen y cmo funcionan las organizaciones
econmicas? (teora de los costos de transaccin) y cmo se concilian los
objetivos al interior de la empresa? (teora de la agencia). 2 Utilizamos el trmino
economicismo porque en estos enfoques las explicaciones econmicas tienen
preponderancia sobre las de cualquier otra ndole. El uso del trmino no implica
aqu carga peyorativa alguna. Perspectivas Sistmicas Interpretativistas
Procesuales Economicistas Constructivistas Racionalistas 46 Carolina Espinosa
Luna Teoras de la eleccin pblica y social Son aplicaciones de la metodologa
econmica al estudio de la poltica y de la sociedad (Mueller, 2008), que proceden
de manera deductiva mediante la elaboracin de modelos que plantean a priori
determinados principios del comportamiento (Boudon, 2010). La teora de la
eleccin pblica, particularmente, se propone comprender y predecir el
comportamiento de los mercados polticos aplicando la teora de la eleccin
racional a modelos formales que permitan analizar el comportamiento de la toma
de decisiones (Rowly y Schneider, 2008: 3). Por su parte, la teora de la eleccin
social se interesa en el estudio de mtodos de toma de decisiones colectivas y en
los fundamentos l- gicos de la economa del bienestar (Suzumara, 2002). De
acuerdo con algunos de los principales exponentes de las teoras de la eleccin
pblica y social (por ejemplo Udehn, 1996; Sen, 1999; Suzumura, 2002; Mueller,
2008; Rowley y Schneider, 2008), dos de los trabajos fundamentales en el
desarrollo de ambas teoras son Social Choice and Individual Values, de Kenneth
J. Arrow (1963), y The Calculus of Consent, escrito por James M. Buchanan y
Gordon Tullock (1962). Partiendo de estos textos, las investigaciones aplicadas en
el marco de las teoras de la eleccin se han dedicado al estudio de fenmenos
sumamente diversos, desde procedimientos de eleccin poltica y funcionamiento
de la democracia (Hammond y Miller, 1985) hasta temas referidos al medio
ambiente, pobreza y cuestiones de gnero (Sen, 1999). En lo particular, los
estudios basados en las teoras de la eleccin social confrontan los
planteamientos de Sen con otras perspectivas, como el utilitarismo (Barrett,
Preton-Brunel y Salles, 2004) y la forma de juegos (Pattanaik y Suzumara, 1996;
Salles, 2000), con primaca en las posibilidades de cooperacin y conflicto entre
actores racionales. Estas y otras investigaciones (por ejemplo, Ostrom, 1975;
Hammond y Miller, 1985; Spicer, 1985; Vauble, 1986; Mueller, 1987; DiMaggio y
Anheier, 1990; Romme, 2004) comparten un modelo dominante que tiene tres
elementos especficos: a) un conjunto de axiomas que establecen los lmites de
los mode- Cmo se toman las decisiones organizacionales? 47 los de decisin;
b) la definicin de dos o tres actores tomadores de decisiones que intentan
alcanzar sus propios fines en relaciones de intercambio; y c) un conjunto de
alternativas de decisin. Sobre la base de estos elementos, los investigadores
elaboran hiptesis y modelos matemticos para identificar las decisiones que se
pueden tomar considerando los rdenes de preferencias individuales en
alternativas especficas. Con el desarrollo de numerosas investigaciones en el
campo de las teoras de la eleccin, sus proponentes han advertido la dificultad de
aplicar los axiomas racionalistas al estudio de las decisiones (Bleichrodt y
Schmidt, 2009: 90). De acuerdo con Anand, Pattanaik y Puppe (2009: 1), en los
ltimos aos las teoras de la eleccin han reevaluado dramticamente la nocin
de lo que es analticamente posible y normativamente deseable. De tal suerte, a
partir de lo que llaman violaciones a los supuestos racionalistas, han incorporado
en sus modelos variables como la racionalidad limitada, la variacin de las
elecciones a travs del tiempo, la ambigedad, la utilidad como evaluacin
subjetiva, la incertidumbre y las situaciones de riesgo.3 Tales cambios se han
desarrollado conservando, en lo fundamental, los siguientes aspectos: supuestos
individualistas, un anlisis centrado en individuos, elecciones y reglas de eleccin.
Adems de las crticas clsicas a las teoras de la eleccin,4 aqu nos permitimos
cuestionar su alcance considerando sus supuestos ms fundamentales. En primer
lugar, estiman que dados ciertos parmetros el comportamiento individual seguir
un curso determinado (supuesto de determinismo); en segundo lugar, esperan que
el comportamiento individual siga el curso de valores previamente establecidos,
como la maximizacin de la utilidad (supuesto de legalismo); y en tercer lugar,
suponen que es posible repetir un comportamiento idntico, en distintos
momentos, ante un conjunto preestablecido de parmetros.
(luna, 2010)
1.3.3 toma de decisiones en la organizacin
Una decisin es una eleccin entre varias alternativas o cursos de accin

que llevan a un resultado. Si no existen alternativas no puede haber decisin
alguna, solo se dispondra de un curso de accin, en consecuencia, no se podra
ni necesitara hacer una eleccin. Cuando un gerente que toma decisiones, debe
estar consciente de todas las posibles consecuencias que podra tener, el elegir
una accin especfica, consecuencias que estn condicionadas por el responsable
de la toma de decisiones y los factores externos que estn ms all del control de
quien toma la decisin. Se considera que si muchas decisiones se trasladan a los
niveles ms altos de la organizacin, la alta gerencia general estar sobrecargada
y los gerentes de ms bajo nivel tendrn pocas oportunidades para tomar la
iniciativa. El problema de la toma de decisiones se basa en determinar el nivel en
el cual debe tomarse la decisin. Dos factores que afectan el nivel para tomar la
decisin son: lo competente que sea la persona y el acceso que pueda tener a
todos los datos necesarios para tomar una decisin basada en una informacin
completa. Muchos factores pueden mejorar la capacidad de una persona para
tomar decisiones y de estos el ms importante es la experiencia. Dado que no es
lgico permitir que quien tome la decisin obtenga experiencia por ensayo y error.
(Amaya, 2010). Herbert Simon: Define la toma de decisiones como los procesos
cognitivos que se desarrollan en la mente del individuo y que tienen como meta
primaria la eleccin de un curso de accin que ayude a resolver algn problema
(Simon.)4
- Etkin, Jorge: Sistemas y estructuras de organizaciones, Ediciones Macchi, 1978

1.4 Diseminacin de la toma de decisiones
Los estilos de toma de decisin son un conjunto de cualidades que

tienen las personas que toman decisiones apegada a las
circunstancias en que se dan y difieren en cuanto a la utilizacin de la
informacin y cmo crear alternativas de solucin. Los tericos
plantean que se debe tener en cuenta los diferentes estilos en la toma
de decisiones, pues se ha observado que los estilos de decisin
difieren de dos maneras fundamentales: cmo se utiliza la informacin
y cmo se crean alternativas. Cuando se trata del uso de la
informacin, algunas personas prefieren ponderar grandes cantidades
de datos antes de tomar cualquier decisin.
1.4.1 Arbol de problemas
En la literatura de gestin, se denomina a estas personas
"maximizadores". Los maximizadores no descansan hasta estar
seguros de que han encontrado la mejor respuesta posible. El
resultado es una decisin bien informada, pero podra tener un costo
en trminos de tiempo y eficiencia. Otros ejecutivos slo buscan los
datos clave; son capaces de formular hiptesis rpidamente y de
ponerlas a prueba sobre la marcha. En este caso, la literatura toma
prestado un trmino del economista del comportamiento Herbert
Simon: los "satisfactores" estn listos para actuar tan pronto como
poseen la informacin suficiente para satisfacer sus requerimientos.
En cuanto a la creacin de alternativas, quienes toman decisiones con
un "foco nico" creen firmemente en seguir un solo curso de accin,
mientras que sus contrapartes con un "foco mltiple" generan listas de
alternativas posibles y podran emprender varios cursos de accin a la
vez. Las personas con un foco nico concentran su energa en hacer
que las cosas resulten como ellos creen que deberan ser; las con un
foco mltiple, en adaptarse a las circunstancias. Resulta que las
personas no necesariamente lideran de la misma forma en que
piensan; deciden de manera distinta frente a una multitud que frente al
espejo. Utilizando las dos dimensiones de uso de la informacin y
foco, hemos creado una matriz que identifica cuatro estilos de toma de
decisiones: el decisivo (poca informacin, un curso de accin), el
flexible (poca informacin, muchas alternativas), el jerrquico (mucha
informacin, un curso de accin) y el integrador (mucha informacin,
muchas alternativas). Desde luego, las personas no caen tan
ntidamente en una casilla u otra. Las circunstancias tambin influyen
en el estilo de decisin apropiado, de modo que un ejecutivo debe ser
capaz de recurrir a cada uno de los cuatro estilos. Por ejemplo, en un
entorno de emprendimiento podran no existir una historia o tiempo
suficientes para permitir anlisis y deliberaciones extensas. Y si bien
en perodos de relativa incertidumbre podran requerirse estilos de
foco mltiple, en entornos estables suelen prevalecer los estilos de
foco nico. Ms an, nuestra investigacin revela que los ejecutivos
toman decisiones de manera diferente cuando estn en un entorno
pblico, donde saben que estn siendo observados, que cuando estn
en uno privado, donde no tienen necesidad de explicar ni de justificar
su proceso. Al hablar de ejecutivos, llamamos a la modalidad pblica
"estilo de liderazgo" y a la modalidad privada "estilo de pensamiento".
Resulta que las personas no necesariamente lideran de la misma
forma en que piensan.
El proceso de toma de decisiones es distinto frente a una multitud que
frente al espejo. Esta distincin vale para todos los aspectos de la
torna de decisiones, ya sea que la persona est recopilando
informacin, evaluando o presentando alternativas, o haciendo una
eleccin final.5
5
Estilos de toma de decisiones //www.mujeresdeempresa.com/images/graficosestilos/toma-de-
decisiones.gif&imgrefurl=http:
1.5 Unidad bsica de comportamiento
Hablando en trminos generales, la racionalidad se ocupa de la eleccin de
alternativas preferidas de actividad de acuerdo con un sistema de valores cuyas
consecuencias de comportamiento pueden ser valoradas.
Puede llamarse "objetivamente racional" a una decisin si es en realidad el

comportamiento correcto para maximizar unos valores dados en una situacin
dada. En resumen una decisin racional es aquella que se adecua a los objetivos.
Pero dicha racionalidad no es en absoluto completa. Tiene lmites prcticos que
dependen del hombre y de las caractersticas del medio ambiente. 6
Los lmites de la racionalidad humana son:

- Los reflejos y los dones de cada uno (sus aptitudes) - Los valores y los objetivos
personales (sus motivaciones) - El conocimiento personal de la situacin y la
informacin disponible.
Para saber cmo influyen estas limitaciones en la decisin racional Simon
describe en tres etapas el proceso de toma de decisin:
1) Primera etapa. Descubrimiento de las ocasiones que requiere una decisin. 2)
Segunda etapa. Previsin y anlisis de los acontecimientos provocados por cada
accin (actividad de concepcin) 3) Tercera etapa. Seleccin de una accin entre
todas las posibles acciones (actividad de opcin)
Las limitaciones que actan en todo el proceso.
- La imaginacin suple el desconocimiento de las ocasiones, soluciones y
consecuencias, atribuyendo valores a cada accin. - El medio ambiente es
demasiado complejo para ser aprehendido totalmente y el hombre lo simplifica
para que su mente sea capaz de manejar los factores considerados. - La
optimizacin es demasiado complicada y el hombre busca una solucin
simplemente satisfactoria.
El objetivo de un modelo para la toma de decisiones consiste en descubrir todas
las limitaciones y prcticas a la racionalidad humana e intentar modificarlas para
mejorar un poco esa racionalidad, ya sea actuando sobre el hombre (capacitacin,
nueva orientacin de valores, etc.), o bien rehaciendo el esquema de un medio (la
organizacin) ms favorable.
6
Toma de decisiones profesor mc, Alejandro Gutirrez Daz
1.6 Factores que influyen en la toma de decisiones.
A pesar de que parece que la toma de decisiones es un proceso fcil, voy a

intentar explicar en las prximas entradas la dificultad que entraa este proceso y
sobretodo hacerlos ver que muchas de las decisiones tomadas en mbito
profesional dependen de muchas ms variables de las que podemos siquiera intuir
a primera vista. Dentro de las principales variables de las que depende la toma de
decisiones podemos destacar siete: el contexto externo, el contexto interno, los
modelos mentales, el comportamiento, el riesgo de la decisin, la previsin de ese
riesgo y el tiempo de la toma de decisiones. 7
1.6.1 Anlisis del contexto externo
Dicho anlisis pone de manifiesto las influencias que el entorno general y/o
especfico ofrece a la actuacin de la empresa (o individual). Es un anlisis
subjetivo y cualitativo, por lo que diferentes analistas podran llegar a resultados
distintos. La clave reside en entender que cuando valoramos el comportamiento
de cada uno de los factores clave de forma subjetiva podemos ver las
oportunidades y amenazas de una decisin para un entorno.
El entorno genrico habla de los factores que influyen en todas las

empresas e individuos. Estos son factores polticos, econmicos, legales,
tecnolgicos y socioculturales.
El entorno especfico por el contrario se centra en aquellas partes del

entorno que afectan especficamente a nuestra actividad. En concreto a las
5 fuerzas de Porter: competidores, productos sustitutivos, poderes de
negociacin de los agentes e intensidad de la competencia. 8
7
Toma de decisiones, profesor M:C Alejandro Gutirrez Diaz
8
Modulo introductorio teora de la decisin, universidad de la matanza
1.6.2 Anlisis del contexto interno
Identificar las fortalezas y debilidades que tiene una empresa para desarrollar
su actuacin competitiva. Consiste en ser capaces de:
Determinar tipo y caracterstica de la empresa.

Identificar las variables claves para su anlisis.
Diagnstico interno.
Para ello, ha surgido un conjunto de tcnicas de anlisis que investigan estos

aspectos:
1. Identidad empresa: determina tipo y caractersticas generales de la

empresa.
2. Perfil estratgico de empresa: ver puntos fuertes y dbiles a travs de las
reas funcionales.
3. Cadena de valor: Analiza el interior de la empresa en funcin de cmo est
genera valor, desagregndola en actividades primarias y de apoyo.
4. Benchmarking, DAFO, Matrices del mercado.
Hay muchas circunstancias que pueden dificultar una toma de decisiones

saludable. Algunas de estos factores son Internos, es decir, dependen de
nosotros:
Las personas tomamos decisiones continuamente. Algunas son rutinarias (Qu

ropa me pongo hoy?), pero otras son ms complejas y tienen consecuencias
importantes. Como ocurre en otros procesos mentales, la forma de tomar
decisiones puede ser entrenada y mejorada. Tomar decisiones que luego se
demuestren inadecuadas puede tener que ver con el desconocimiento de los
pasos que conlleva un proceso como ste.
Nuestro Estilo Decisional: Los Impulsivos toman decisiones rpido, sin haberse
parado a pensar lo que estn buscando. Por lo general, las emociones intensas
estn relacionadas con una toma de decisiones impulsiva, ya que dificultan el
pararse a pensar.
Los Rayados o catastrofistas piensan demasiado. Para tomar la decisin perfecta,

le dan tantas vueltas y pretenden tener en cuenta tantas cuestiones que, al final,
no les da tiempo a pronunciarse.
Los Reflexivos suelen tener un mtodo claro para decidir. Definen el problema y
sus objetivos. Buscan informacin. Generan alternativas y las evalan. 9
Nuestros pensamientos (o dilogo interno).
Nuestras emociones.
Nuestras capacidades o conocimientos sobre la cuestin a decidir
1.6.3 El modelo mental del decisor
Un aspecto fundamental en la toma de decisiones es la percepcin de la

situacin por parte del individuo o grupo de personas implicadas; exige:
Tener en cuenta que determinada circunstancia puede ser percibida por una
persona como un problema y por otra como una situacin normal o hasta
favorable.
Prestar especial atencin al exceso de confianza.
Saber que hay muchos tipos de decisiones y para cada una entran en juego
multitud de variables humanas y subjetivas. Hay que entender que la
mayora de las decisiones tienen, al menos, una pequea distorsin debido
a los gustos y predisposiciones personales
1.6.4 El comportamiento
Otra variable interesante es el comportamiento en funcin del decisor, pues

no se comportan igual individuos, grupos y organizacin; tienen como decamos
antes un mapa mental que puede ser diferente.
Puede aparecer la figura del conflicto.
Individualmente puede generarse un conflicto psicolgico cuando resultan

atractivas diversas opciones o cuando ninguna lo es.
Si se toman decisiones entre personas o grupos aparecer un conflicto del
grupo
1.6.5 Riesgo de la decisin
Cuando hablamos de los riesgos que conlleva un decisin, tenemos que

entender que prcticamente cualquier decisin tiene un componente mayor o
menor de incertidumbre.
Ejemplos de incertidumbre en el entorno especfico
9
Dentro de la incertidumbre de una decisin podemos hablar de la incertidumbre
que genera un entorno, ya que muchas de las decisiones estratgicas que se
toman dependen en gran medida del:
Grado de estabilidad del entorno: puede ser estable o dinmico segn los
factores que lo componen permanezcan estables o no.
Grado de complejidad de un entorno: puede ser simple o complejo
dependiendo de si los factores y los cambios en los mismos son ms o
menos comprensibles o requieren unos conocimientos sencillos o
complicados.
Grado de diversidad: hay entornos integrados o diversos, dependiendo del
nmero de elementos en que nos tenemos que fijar y de su
heterogeneidad.
Grado de hostilidad del entorno: Puede ser favorable u hostil segn si los
cambios son para bien o para mal
Cunto ms difcil sea el entorno de la empresa, mayores incertidumbres

generar
Algunos ejemplos de situaciones inciertas en entornos son:
Eliminacin de barreras nacionales que provocan la creacin de grandes

zonas de libre comercio.
Convergencia de preferencias, necesidades de consumidores.
Aceleracin del cambio tecnolgico. (Habr que apostar por nuevas
tecnologas que mejoren lo que ya tenemos y que sean sostenibles en el
tiempo)
Procesos de desregulacin y privatizacin.
Cambios en los valores culturales, medioambientales y ticos de la
sociedad (en ese caso por ejemplo apostar por hacer diseo sostenible es
tomar una decisin para afrontar una demanda de los clientes de artes
grficas
1.6.6 La previsin del riesgo
Muy relacionado con el punto anterior est la previsin del riesgo. Y es que
su utilidad radica en que obliga a pensar sobre las variables relevantes a
incorporar, su interrelacin y las consecuencias sobre las decisiones, preparando
as a la direccin para adaptarse mejor a las contingencias del entorno.
Tcnicas de previsin de riesgos
Las tcnicas de previsin tratan de analizar el perfil de la variable a analizar

(contexto interno, externo, tipo de decisin) manteniendo constante el resto. 10
El Mtodo de los escenarios y modelos PER: Son modelos crea una o

varias situaciones coherentes y plausibles acerca de las consecuencias de
la decisin y de su posible evolucin.
El Mtodo DELPHI: es un mtodo auxiliar para construir escenarios de
determinados hechos. Su objetivo es obtener informacin cualitativa y
precisa sobre el futuro. La manera de lograrlo es solicitar de forma
sistemtica las opiniones de expertos acerca de la ocurrencia o no de una
decisin.
Otros(Estudios de mercado)
Las empresas y los individuos, en algunas decisiones (no en todas) realizan

previsiones del riesgo de su decisin. Obviamente es imposible hacer estos
anlisis en todas las decisiones, de ah la importancia de analizar el tipo de
decisin. En cualquier caso, toda decisin y su anlisis supone unos costes (como
mnimo el de oportunidad)
1.6.7 El tiempo
La ltima de las variables de la toma de decisiones y no por ello menos

importante es el tiempo. En cualquier decisin, el tiempo es quizs el punto ms
delicado porque hay que responder a preguntas para las que en muchos casos no
tenemos respuesta sino intuiciones:
Cundo es el momento idneo para tomar una decisin?

Influye igual el tiempo en todas las decisiones?
1.6.8 Factores favorables
Espndola considera que son cinco los factores positivos que favorecen una
buena toma de decisiones:
10
Visin definida: como la manera en que dotamos de sentido al tiempo para cumplir
nuestras metas en el futuro o sea, es ver mentalmente hacia el futuro y tener un
ideal de cmo queremos ser. Lo contrario de vivir con visin es vivir inmediatez,
pues quienes nicamente resuelven los problemas inmediatos no tienen
capacidad para ver los problemas importantes por resolver confunden lo que es
urgente con lo que es importante.
Creatividad: partiendo de algunos principios: 1. Eliminar de nuestro leguaje el no

se puede. 2. No rechazar la ambigedad 3. Hacer cosas distintas y no
conformarse con la rutina. 4. Fomentar la imaginacin por medio de ejercicios para
ser creativo 5. Poner las ideas en accin 6. No dejarse atrapar por los
estereotipos.
Oportunidad. Podemos de pensar que no podemos hacer porque la realidad nos

impone demasiados lmites o podemos ver la realidad como un reto que podemos
superar para construirnos un mundo mejor. Hay que ver la realidad como una
oportunidad y no como una crcel. As
Calidad. Calidad es hacer lo mejor posible, utilizando al mximo nuestros

recursos, implica mejorar cada da ms. Algunos criterios de calidad son: 1. Las
personas seleccionan los mejores recursos de acuerdo con el problema que se
presente. 4 no generar ms problemas de los que podamos enfrentar. 5. No gastar
nuestros recursos en acciones de corto alcance y resultados deficientes. 6. Hacer
una planeacin efectiva para controlar de nuestras acciones, calculando riesgos y
tomando precauciones para controlar stos.
Que se interrelacionan para producir el conocimiento fundamental para una buena

toma de decisiones y que se extiende a varias reas: 1. Conocimiento de uno
mismo. 2. Conocimiento de la especialidad profesional. 4 la cultura.
1.6.9 Factores desfavorables
De manera similar a lo anterior, hay factores desfavorables para correcta

toma de decisiones. Podemos mencionar los siguientes:
Informacin errnea
Conocimientos deficientes
Experiencia inadecuada
Error en el anlisis
Mal juicio
As como otros que son parte de un procedimiento mal estructurado:
Seleccin de muestra
Sesgo considerado como el grado el cual un prejuicio afecta las respuestas.
Ubicuidad del promedio
Selectividad, entendida como el rechazo de resultados desfavorables o por
seleccin de mtodo que con seguridad proporcionara resultados
favorables.
Conclusin apresurada
Superioridad insignificante, algo muy notorio en el campo de las
computadoras.

1.7 Dimensiones en la toma de decisiones
Se pueden considerar cuatro dimensiones de las clases de decisiones que se

pueden tomar:
a). El nivel del conocimiento de los resultados;
b). El nivel de la programabilidad
c). Los criterios para la toma de decisiones.
d). El nivel de impacto de la decisin
a). Conocimiento de los resultados:
Una consecuencia o resultado define lo que ocurrir si se elige una alternativa o

un curso de accin en particular. La toma de decisiones puede estar basada en
resultados o consecuencias que pueden conocerse con certeza; consecuencias
que se conocen con una probabilidad de ocurrencia (riesgo); y, consecuencias
desconocidas o con probabilidades muy inciertas (incertidumbre).
Si el estado de resultados es de certeza, el conocimiento es completo y exacto de

lo que produce cada alternativa. Si el estado de resultados es de riesgo, se puede
identificar la posibilidad de mltiples resultados para cada alternativa. Si el estado
de resultados es de incertidumbre, se pueden identificar mltiples consecuencias
para cada alternativa, pero no conocer la probabilidad asociada a cada resultado.
b). El nivel de programabilidad:
Las decisiones pueden ser programadas o no programadas. Las decisiones

programadas se basan en un conjunto de reglas o procedimientos de decisin, e
implican la toma de decisiones bajo certeza, en razn de que todos los resultados
o consecuencias son conocidos de antemano. Las decisiones no programadas no
tienen reglas o procedimientos pre -establecidos: los cambios de las condiciones
son tales que no se pueden formular reglas de decisin.
c). Los criterios para la toma de decisiones:

Un modelo de toma de decisiones que describa la manera cmo se pueden tomar
las decisiones puede ser un modelo normativo o descriptivo. Por ejemplo, el
modelo econmico clsico es un modelo normativo, porque asume la completa
racionalidad del que toma la decisin, con informacin completa sobre las
alternativas y la optimizacin del valor esperado como meta.
En cambio, un modelo descriptivo de toma de decisiones que describa o explique

el comportamiento humano en el momento de la decisin, reduce la exploracin
de alternativas, y la decisin se har en base a la primera que satisfaga todas las
restricciones del problema, en lugar de continuar la bsqueda que localice la
alternativa ptima.
d). El nivel de impacto de la decisin:
La toma de decisiones organizacionales puede darse: o por la reduccin de

conflictos y por atencin secuencial de las metas; o por la elusin de la
incertidumbre, buscando evitar el riesgo y la incertidumbre; o por el mtodo de la
bsqueda de problemas en el que la bsqueda de soluciones es estimulada por
los problemas; o por el aprendizaje organizacional, en el que el sistema de
informacin es un factor de reconciliacin del nivel de ejecucin y el nivel de
aspiracin; o por la toma de decisiones por el mtodo incremental que es una
variacin del concepto de satisfaccin en el que la toma de decisiones se reduce a
pequeos cambios en las polticas y procedimientos existentes.
Una tcnica para tomar decisiones en situaciones de conflicto, es la teora de los

juegos, conocida tambin como la teora de las situaciones sociales. En esencia
es una tcnica basada en la construccin de una matriz formal que permite
comprender el conflicto y sus problemas y fue planteada por John Von Neumann.
La teora de los juegos se formaliz antes y durante la guerra fra debido a su
aplicacin a la estrategia militar, y utiliza modelos matemticos para estudiar el
comportamiento de los jugadores y el conjunto de movimientos o estrategias
disponibles para llevar a cabo procesos de decisin.
Es necesario tener en cuenta que las decisiones se toman, a veces, bajo presin
psicolgica, pues la tensin a partir del conflicto en la toma de decisin, puede
conducir a procesos de estrs, sobre todo en el caso en que todos los cursos de
accin parezcan tener consecuencias indeseables, provocando aprensin, duda,
vacilacin y angustia en la toma de decisin.
Las tensiones son provocadas atendiendo a varios patrones de confrontacin, que

consisten, bsicamente, en formular las siguientes preguntas: Son serios los
riesgos si no hay cambios? Son serios los riesgos si el cambio tiene lugar? Es
real la esperanza de una mejor solucin? Hay suficiente tiempo para investigar y
reflexionar?
Si no es posible encontrar una solucin mejor, o si en el proceso de toma de
decisin se considera que el riesgo de posponer una decisin es bajo, se
escoger la dilacin.11
11
Anderson, David; Sweeney, Dennis; Thomas Williams: Mtodos cuantitativos para los negocios,
International Thomson Editores, 1999.
2 TOMA DE DESICIONES
2.1 DEFINICION Y NATURALEZA
Para tomar una decisin no importa su naturaleza es necesario conocer,

comprender, analizar un problema, para as poder darle solucin, en algunos
casos por ser tan simples y cotidianos este proceso se realiza de forma implcita y
se soluciona muy rpidamente, pero existen otros casos en los cuales las
consecuencias de una mala o buena eleccin puede tener repercusiones en la
vida y si es en un contexto laboral en el xito o fracaso de la empresa, para los
cuales es necesario realizar un proceso ms estructurado que puede dar ms
seguridad e informacin para resolver el problema.
Una decisin es una leccin entre posibilidades, que implica evaluar las lneas de
accin disponibles y determinar qu accin se llevara a cabo.
Una decisin ocurre cuando una persona con una necesidad insatisfecha realiza
una accin para satisfacer esa necesidad o deseo. Sabemos que una buena
decisin es la que elige el mejor proceder disponible ante la incertidumbre de las
consecuencias. Algunas decisiones son fciles de tomar y en realidad, incluso
podran no considerarse como decisiones ya que la eleccin parecer ser
obvia.Con frecuencia hay una opcin dominante que claramente es mejor que las
otras respecto a los factores importantes en cada caso. Y otras decisiones son
mucho ms difciles de tomar y las respuestas mucho ms complejas.Para tomar
estas decisiones debemos saber lo siguiente:
El valor que tiene para nosotros cada opcin.

El resultado probable.
Estos aspectos son decisivos en la toma de decisiones.
La ciencia de toma de decisiones:
Para explorar hoy en da la investigacin cientfica de la toma de decisiones se

requiere en primer lugar, conocer los modelos tradicionales, normativos, as como
los modelos psicolgicos que se han construido basndose en ellos, adems de
investigaciones que se han hecho en los sistemas neuronales.
La actividad cognitiva bsica de la toma de decisiones es evaluar cada una de las
posibles elecciones y determinar cual tiene ms probabilidades de conseguir las
metas propuestas.
La vida nos presenta muchas metas y an ms posibilidades de eleccin.
2.2 MATRIZ DE DECISIONES
Una matriz de decisin es un grfico que permite a un equipo o un individuo

identificar y analizar la tasa de la fuerza de las relaciones entre conjuntos de
informacin. Cundo se debe utilizar?
Una matriz de decisin se utiliza con frecuencia durante las actividades de
planificacin de la calidad para seleccionar producto / servicio, caractersticas y
objetivos y desarrollar los procesos y sopesar las alternativas. Para mejorar la
calidad una matriz de decisin puede ser til en la seleccin de un proyecto, en la
evaluacin de soluciones alternativas a problemas, y en el diseo de los recursos.
Cmo utilizarlo?
Dependiendo de las necesidades del equipo, estos pueden ser producto /
prestaciones del servicio; etapas del proceso, los proyectos, o las posibles
soluciones.
2.3 OPCIONES EN LA TOMA DE DECISIONES

En el mtodo de consenso no se vota. Las ideas o propuestas se introducen,
discuten y se revisan cuanto sea necesario antes de llegar al momento de decidir.
Ningn asunto importante debera ser introducido, discutido y decidido en la
misma reunin. Si no se llega al consenso, no se lleva a cabo ninguna accin. La
intencin del proceso es resolver pacficamente todas las preocupaciones y
conflictos que puedan surgir en relacin con una propuesta, de manera que todo el
mundo pueda apoyar la decisin.
Introduccin: Propongo... (debe ser breve, sopesando el inters del grupo y

dejndolo estar si no hay inters).
Discusin: Escucho, pregunto, pienso, siento, doy mi opinin, investigo, etc. (en
tanto tiempo como sea necesario, tal vez en reuniones sucesivas)
Decisin: Tres opciones:
Bloquear: Me opongo a la decisin porque...
1. Va en contra de mis principios ticos
2. Va en contra de los valores y visin del grupo
3. Afecta a la seguridad del grupo
Apartarse: No me opongo, pero tampoco la apoyo
Consentir: Puede haber algunos detalles que no me gusten, pero apoyo la
decisin con todas sus consecuencias
2.4 TIPOS DE DESICIONES
Los administradores deben decidir sobre diversos problemas, como si debe

construirse una nueva planta, qu poltica de mantenimiento debe seguirse para
una flotilla de camiones, si una persona en particular debe ser contratada, cul es
la compaa promocional ms adecuada para un nuevo producto, cul es el tipo
ms conveniente de financiamiento y quin es el mejor proveedor.
Una de las tareas principales de los administradores consiste en la toma de
decisiones, ya que al hacerse ms complejo el mundo de los negocios ha
aumentado la necesidad de asegurar sobre cierta base racional el futuro de las
empresas y organizaciones, por lo cual el proceso de pronstico ha adquirido una
posicin prominente en el proceso de administracin de las empresas y
organizaciones.
2.4.1 CERTIDUMBRE
Una clase importante de problemas de decisin incluye aquellos en los cuales

cada acto disponible para quien toma la decisin tiene consecuencias que pueden
ser conocidos previamente con certidumbre. A tales problemas se le llama toma de
decisiones bajo condiciones de certidumbre.
La toma de decisiones bajo certidumbre no es un proceso sencillo, cada una de
las tareas a las que se enfrenta quien toma la decisin bajo certidumbre -
identificar los actos disponibles, medir las consecuencias y seleccionar el mejor
acto involucra el uso de la teora de la programacin lineal. 12
2.4.2 RIESGO
La toma de decisiones bajo incertidumbre implica que no se conoce la

probabilidad de que prevalezca uno u otro de los estados de resultado.
Frecuentemente sin embargo, quienes toman decisiones cuentan con informacin

acerca de la probabilidad de que ocurra cada estado de resultado, aun cuando no
sepan con certeza el estado del resultado real.
La toma de decisiones cuando existe cierto nmero de estados de resultados

posibles, para los cuales se conoce la distribucin de probabilidades recibe el
nombre de toma de decisiones bajo riesgo.
2.4.3 INCERTIDUMBRE.
En muchos problemas de decisiones se presentan variables que no estn bajo el

control de un competidor racional y acerca de las cuales quienes toman las
decisiones tiene poca o ninguna informacin sobre la base de la cual conocer el
estado de cosas futuras. La toma de decisiones bajo incertidumbre se presenta
cuando no puede predecirse fcilmente el futuro sobre la base de experiencias
pasadas. A menudo se presentan muchas variables incontrolables. Algunas veces
es posible consolidar los efectos de esas variables no controlables en trminos de
su distribucin de probabilidad.
12
http://matematicas.reduaz.mx/home/Docentes/ltrueba/tomadecision/toma4.htm
2.5.1ANALISIS ESTADISTICO
El anlisis estadstico es un componente del anlisis de datos. En el contexto de la
inteligencia de negocios (BI), el anlisis estadstico requiere recoger y escudriar
cada muestra de datos individual en una serie de artculos desde los cuales se
puede extraer las muestras
El anlisis estadstico puede ser dividido en cinco pasos discretos, de la siguiente
manera:
2.5.2 TIPOS DE ESCALA
Describir la naturaleza de los datos a ser analizados.

Explorar la relacin de los datos con la poblacin subyacente.
Crear un modelo para resumir la comprensin de cmo los datos se relacionan
con la poblacin subyacente.
Probar (o refutar) la validez del modelo.
Emplear el anlisis predictivo para ejecutar escenarios que ayudarn a orientar las
acciones futuras.
El objetivo del anlisis estadstico es identificar tendencias. Un negocio de venta al
por menor, por ejemplo, podra utilizar el anlisis estadstico para encontrar
patrones en los datos no estructurados y semi-estructurados de los clientes que se
puedan utilizar para crear una experiencia para el cliente ms positiva y aumentar
las ventas.
De acuerdo a lo que representen y cmo lo hagan, las escalas se dividen en:
1. Escala natural: aquella en la cual el tamao fsico del objeto representado

en el plano coincide con la realidad. Esta escala se representa como 1:1 y
existen varios formatos normalizados para que las piezas que se mecanizan
sean dibujadas a escala natural.
2. Escala de reduccin: en este caso, el tamao fsico del plano es inferior al

de la realidad. Suele utilizarse para la representacin de piezas, planos de
viviendas, mapas fsicos de territorios (en donde las escalas puede ser de
1:50.000 o, incluso, 1:100.000). Si se quiere conocer el valor real de una
dimensin, es necesario multiplicar la medida del plano por el valor del
denominador. Ejemplo: en las escalas 1:50.000 se hace la cuenta 1 x 50.000
= 50.000.
3. Escala de ampliacin: es la escala elegida a la hora de representar piezas
muy pequeas o detalles de un plano. En este caso, el numerador es ms
alto que el denominador y para obtener el valor real, se deber dividir por el
numerador. Por ejemplo 2:1 (que nos da 0,5 como resultado) o 10:1. Las
escalas de ampliacin normalizadas y recomendadas son: 100:1, 50:1, 20:1,
10:1, 5:1, 2:1.
4. La escala numrica: esta escala representa la relacin entre el valor de la
representacin y el de la realidad mediante una razn. Ejemplo: 1:100.000,
que indica que una unidad en el plano representa 100.000 unidades en la
realidad.
5. La escala unidad por unidad: expresa la igualdad de dos longitudes, por
un lado la del mapa, a la izquierda del signo igual y por otro la de la
realidad, ubicada a la derecha. Por ejemplo: 1 cm = 4 km; 2 cm = 500 m.
6. La escala grfica: es el dibujo de la representacin unidad por unidad. En

este caso, cada segmento muestra la relacin entre la longitud del plano y la
de la realidad. Por ejemplo: 0_________10 km.13
2.5.3 DISTRIBUCION DE FRECUENCIA
Es la parte de la estadstica que se encarga de organizar, resumir y describir las

caractersticas principales de los datos. Generalmente se resumen en forma
tabular, grafica o numrica. El anlisis se limita en si mismo a los datos
coleccionados y no se realiza inferencia alguna.
DISTRIBUCIONES DE FRECUENCIAS
Las distribuciones o tablas de frecuencias permiten resumir los datos en una tabla
que recoge:
valores de la variable o modalidades del atributo,
frecuencia absoluta o nmero de veces que aparece cada valor o modalidad en

la muestra,
13
Enciclopedia de Clasificaciones (2017). "Tipos de escalas". Recuperado
de: http://www.tiposde.org/ciencias-exactas/1094-tipos-de-escalas-2/
porcentaje de veces que aparece cada valor de la variable o modalidad del
atributo sobre el total de observaciones,
porcentaje vlido calculado sobre el total de observaciones excluidos los valores

missing,
Porcentaje acumulado hasta cada uno de los valores de la variable ordenados de

menor a mayor. Este porcentaje tiene interpretacin slo en los casos en que la
variable sea susceptible de medida por lo menos en una escala ordinal.
Para obtener la tabla de frecuencias se procede con el men:
Analizar
Estadsticos Descriptivos
Frecuencias
En el cuadro de dilogo Frecuencias se seleccionan las variables para las que se

quiere obtener sus correspondientes tablas de frecuencias unidimensional y se
trasladan al cuadro Variables con el botn . Para obtener la distribucin de
frecuencias debe estar activada la opcin Mostrar tablas de frecuencias. La tabla
que aparece en el visor de resultados no agrupa en intervalos o clases los valores
de la variable; si se desea agruparlos es necesario recodificar previamente la
variable (en otra variable) definiendo los lmites de los intervalos*
Adems, el cuadro de dilogo Frecuencias permite activar otras opciones con los
botones:
Estadsticos
Grficos
Formato
Estas opciones pueden utilizarse teniendo o no activada la opcin Mostrar tablas

de frecuencias.14
2.5.4 TECNICAS DE REPRESENTACION GRAFICA
El papel de las representaciones grficas. Un nfasis en La comprensin de los datos Qu hay

aqu? Tipologa de Representaciones grficas. Aproximacin de construccin tentativa de
modelos y generacin de Hiptesis en un proceso interactivo. Especificacin modelo, anlisis
residual, re-especificacin. Uso de medidas robustas y re-anlisis sobre subconjuntos
seleccionados de datos. Flexibilidad y escepticismo respecto al mtodo concreto de anlisis a
aplicar. Descubrir patrones en los datos. Como un trabajo detectivesco, atender y observar los
datos hasta que emerja una historia coherente en los mismos. Es decir aprender a partir de los
datos. Abre una perspectiva que debe tomarse como complementaria ms que opuesta a la
perspectiva clsica. Se trata de una perspectiva exploratoria ms que confirmatoria. Ms que una
coleccin de tcnicas se trata de una genuina opcin terica. Es decir de una actitud hacia los
datos. La tendencia reinante de anlisis de datos psicolgicos pretende muchas veces que todo lo
que nos interesa es el contraste de algn parmetro determinado (el mito del Test de Hiptesis).
Pero lo cierto es que hay multitud de preguntas no menos importantes, de amplio alcance, y que
requieren de una perspectiva ms flexible (menos tajante) en la que de manera interactiva vamos
planteando diferentes preguntas a los datos, es decir planteando diferentes Hiptesis, a la vez que
vamos tomando una serie de decisiones descartando algunas de las mismas y concretando otras.
As pues se trata ms bien de estudiar las etapas iniciales del anlisis, con perspectiva exploratoria
ms que confirmatoria, realizando anlisis preliminares de los datos y donde las tcnicas de
representacin grfica son cruciales como gua del proceso. Tambin veremos el uso de tcnicas de
representacin como una ayuda ineludible para detectar patrones complejos en los datos. Qu
sucedera a un modelo por ejemplo lineal si uno de los predictores lo reducimos a algunos de los
valores que puede adoptar? Cul es el modelo que mejor describe los datos? Es exponencial?
Es logartmico? Temas incluidos bajo el epgrafe EDA: Representacin de datos.
Transformacin de variables. Lnea resistente. Tcnicas de suavizado. Ajuste de medianas.
Estimacin robusta.15
14
http://www.ub.edu/aplica_infor/spss/cap2-2.htm
15
Manuel Miguel Ramos lvarez Curso Representaciones grficas de datos en Psicologa Educacin
3.- LA TOMA DE DECISIONES EN CONDICIONES DE
CERTIDUMBRE
3.1 PROGRAMA LINEAL
Como gerente debes estar preparado para tomar decisiones bajo condiciones de
certeza, incertidumbre y riesgo. Aprender este tipo de procesos ser vital para tu
empresa.
Una decisin mal tomada puede tener graves consecuencias para tu negocio. Por
este motivo, debes considerar todos los datos disponibles, analizar los riesgos,
evaluar todas las variables y sopesar todas las alternativas que tienes, para
acertar en la eleccin y escoger aquella opcin que permita los mejores
resultados.
La toma de decisiones bajo condiciones de certidumbre o certeza, slo es posible

cuando dispones de toda la informacin necesaria, conoces todos los datos y
variables, sabes qu soluciones puedes tomar y comprendes las repercusiones de
las diferentes alternativas entre las que puedes elegir.
Con estas condiciones, la probabilidad de tomar una decisin acertada aumenta

de manera considerable
El proceso de toma de decisiones es complejo, sin embargo, ste se complica an

ms en condiciones de incertidumbre, cuando los datos obtenidos son mnimos, o
sus fuentes no son fiables, desconoces las posibles soluciones y repercusiones y
la experiencia no te puede ayudar.
Ante esta situacin es difcil estimar los riesgos, por eso debers analizar los datos
disponibles y confiar en tu intuicin y en tu capacidad y creatividad.
Tomar decisiones no es una tarea sencilla, especialmente ante determinadas

cuestiones, pues de tu eleccin puede depender la supervivencia de tu empresa.
No obstante, cuando posees toda la informacin necesaria este proceso se
simplifica, facilitando la tomar de decisiones certeras.
Seleccionar la mejor alternativa pasa por una serie de pasos que debes aprender
y realizar.
Define el problema o la situacin. Describe cul es el problema al que te tienes

que enfrentar.
Busca informacin relevante sobre ste. Necesitas conocer todos aquellos datos
relevantes sobre el problema y sus posibles soluciones.
Analiza las variables que en l influyen. Es importante tener en cuenta todas las
variables que entran en juego, para poder hacer una valoracin real. Algunas
variables se escaparn de tu control, mientras que otras s las podrs dominar.
Identifica las alternativas posibles. Detalla cules son las alternativas que tienes,
Para poderlas valorar. Selecciona aquellas que realmente te puedan interesar.
Valora y cuantifica las repercusiones de cada alternativa. Tras realizar una primera
criba, es el momento de analizar detenidamente las mejores opciones, las ms
realistas, y valorar cmo pueden afectar o influir en la empresa.
Selecciona y lleva a cabo la solucin ms beneficiosa para la empresa. Elige

aquella opcin que ms favorezca a la entidad.
Evala los resultados. Es importante analizar y valorar los resultados obtenidos

para saber si eran o no los esperados. Esta evaluacin te permitir tomar
medidas, en caso necesario, y descubrir los errores y aciertos en tu toma de
decisin.
Una clase importante de problemas de decisin incluye aquellos en los cuales

cada acto disponible para quien toma la decisin tiene consecuencias que pueden
ser conocidos previamente con certidumbre. A tales problemas se le llama toma de
decisiones bajo condiciones de certidumbre.
La toma de decisiones bajo certidumbre no es un proceso sencillo, cada una de

las tareas a las que se enfrenta quien toma la decisin bajo certidumbre -
identificar los actos disponibles, medir las consecuencias y seleccionar el mejor
acto involucra el uso de la teora de la programacin lineal.
La teora de la programacin lineal se ha utilizado desde la segunda mitad del

siglo pasado para resolver problemas concretos como el del transporte, el de la
dieta y otros muchos problemas de la industria, la economa y la estrategia militar.
Los problemas que resuelve la programacin lineal, tratan de encontrar el mximo
y el mnimo de algunas funciones sujetas a ciertas limitaciones que se llaman
restricciones. Los ejemplos siguientes sirven para hacernos una idea ms clara de
estos supuestos.
Se puede decir que con la programacin lineal se deben tratar aquellos problemas
en los que se debe optimizar (calcular mximos o mnimos) una funcin lineal de
varias variables, llamada funcin objetivo, sometida a una serie de restricciones
expresadas mediante sistemas de inecuaciones lineales.
Un problema de programacin lineal de dos variables consiste en una traduccin
algebraica como la siguiente:
Optimizar (calcular mximos o mnimos) una funcin de dos variables F(x, y) =

ax+ byo z = ax+ by, llamada funcin objetivo, sometida a las restricciones
expresadas mediante un sistema de inecuaciones lineales de dos variables.
En todo problema de programacin lineal forman parte:
La funcin objetivo F(x, y) = ax+ by, que es necesario optimizar, es decir, calcular
si existen sus mximos o mnimos.
La restricciones que son las inecuaciones lineales que proporciona el enunciado

del problema; el grupo de inecuaciones forman un sistema de inecuaciones
lineales.
El conjunto de los valores que verifican todas y cada una de las restricciones
forman la regin factible; todo punto de la regin puede ser solucin del problema.
Las regiones factibles pueden ser acotadas (rea finita) o no acotadas (rea
infinita). En el caso de regiones acotadas el recinto es un polgono convexo
conforme hemos visto en la Unidad anterior; los vrtices y la frontera de dichas
regiones forman parte de la solucin o no, segn que las desigualdades sean en
sentido amplio ( o ) o en sentido estricto (< o >).
La solucin o soluciones ptimas del problema, caso de existir, sern los valores
(x0, y0) de la regin factible que optimizan (hacen mximo o mnimo) el valor de la
funcin objetivo.
Queda por estudiar un mtodo que permita calcular fcilmente el punto o los
puntos en los que sea ptima la funcin objetivo; trataremos un mtodo grfico y
otro analtico.
3.1.1 CONCEPTOS BSICOS.
Supuestos bsicos de la Programacin Lineal Desde un punto de vista

tcnico, hay cinco supuestos que debe cumplir todo problema de programacin
lineal: Los coeficientes, tanto de la funcin objetivo como de las restricciones,
son conocidos con exactitud y adems no varan durante el perodo de tiempo en
que se realiza el estudio (supuesto de certidumbre). Tanto en la funcin
objetivo como en las restricciones hay proporcionalidad: si para la produccin de
un bien empleamos 5 horas de un determinado recurso (mano de obra,
maquinaria, etc.), para producir diez unidades de dicho bien sern necesarias 50
horas del mismo recurso. Aditividad de actividades: tanto en la funcin
objetivo como en las restricciones, la contribucin de cada variable es
independiente de los valores del resto de las variables, siendo el total de todas las
actividades igual a la suma de cada actividad individual. As, por ejemplo, si
producimos dos tipos de bienes, uno que nos reporte un beneficio de 20 /unidad,
y otro que nos reporte un beneficio de 10 /unidad, la produccin de un bien de
cada tipo supondr un beneficio total de 30 . Las soluciones del problema
sern, en general, nmeros reales no necesariamente enteros (supuesto de
divisibilidad). Para aquellos problemas en los cuales slo tenga sentido obtener
soluciones enteras (cuando las soluciones se refieran a objetos indivisibles), se
usarn tcnicas de Programacin Lineal Entera (PLE). Las variables de
nuestro modelo tomarn siempre valores positivos (supuesto de no negatividad),
dado que no tiene sentido hablar de cantidades negativas de objetos fsicos. .
Resolucin grfica de un problema de Programacin Lineal El mtodo grfico

de resolucin tan slo es aplicable a problemas con dos variables (X e Y). Para
aquellos casos en que el nmero de variables del problema sea superior a dos, no
ser posible encontrar la solucin a partir de un grfico bidimensional y, por tanto,
tendremos que usar mtodos de resolucin ms complejos. An as, el mtodo
grfico es de un gran valor pedaggico dado que nos permite vislumbrar de una
forma intuitiva las ideas bsicas de la Programacin Lineal. Volviendo al
ejemplo de las mesas de ordenador, dado que en l tenemos slo dos variables,
podremos representar cada una de las restricciones en el plano real. Estas
restricciones son semiespacios (por ser lineales), la interseccin de los cuales se
denomina regin factible (rea de color verde en la figura): Metodo grafico .
3.1.2 FORMULACION DEL MODELO
Un modelo matemtico es producto de la abstraccin de un sistema real,

eliminando las complejidades y haciendo suposiciones pertinentes; se aplica una
tcnica matemtica y se obtiene una representacin simblica del mismo.
Un modelo matemtico consta al menos de tres elementos o condiciones bsicas:

Las Variables de decisin, la Funcin Objetivo y las Restricciones.
Variables de decisin y parmetros
Las variables de decisin son incgnitas que deben ser determinadas a partir de la
solucin del modelo. Los parmetros representan los valores conocidos del
sistema o que se pueden controlar. Las variables de decisin se representan por:
X1, X2, X3,, Xn Xi, i = 1, 2, 3,, n.
Funcin Objetivo
La funcin objetivo es una relacin matemtica entre las variables de decisin,

parmetros y una magnitud que representa el objetivo o producto del sistema. Es
la medicin de la efectividad del Modelo formulado en funcin de las variables.
Determina lo que se va optimizar (Maximizar o Minimizar).
La solucin PTIMA se obtiene cuando el valor de la Funcin Objetivo es ptimo

(valor mximo o mnimo), para un conjunto de valores factibles de las variables. Es
decir, hay que reemplazar las variables obtenidas X1, X2, X3,, Xn; en la Funcin
Objetivo Z = f (C1X1, C2X2, C3X3,, CnXn) sujeto a las restricciones del modelo
matemtico.
Por ejemplo, si el objetivo es minimizar los costos de operacin, la funcin objetivo

debe expresar la relacin entre el costo y las variables de decisin, siendo el
resultado el menor costo de las soluciones factibles obtenidas.
Restricciones
Las restricciones son relaciones entre las variables de decisin y los recursos
disponibles. Las restricciones del modelo limitan el valor de las variables de
decisin. Se generan cuando los recursos disponibles son limitados.
En el Modelo se incluye, adicionalmente de las restricciones, la Restriccin de No

Negatividad de las Variables de decisin, o sea: Xi = 0.
Por ejemplo, si una de las variables de decisin representa el nmero de

empleados de un taller, el valor de esa variable no puede ser negativo. O tambin,
si una de las variables es la cantidad de mesas a fabricar, su valor solamente
podr ser igual a cero mayor que cero, o sea positivo; sera absurdo obtener
como resultado que se va a fabricar 4 mesas.
La programacin lineal es la interrelacin de los componentes de un sistema, en

trminos matemticos, ya sea en forma de ecuaciones o inecuaciones lineales
llamado Modelo de Programacin Lineal. Es una tcnica utilizada para desarrollar
modelos matemticos, diseada para optimizar el uso de los recursos limitados en
una empresa u organizacin.
El Modelo de Programacin Lineal, es una representacin simblica de la realidad

que se estudia, o del problema que se va a solucionar. Se forma con expresiones
de lgicas matemticas, conteniendo trminos que significan contribuciones: a la
utilidad (con mximo) o al costo (con mnimo) en la Funcin Objetivo del modelo. Y
al consumo de recursos disponibles (con desigualdades = = e igualdades =) en
las restricciones.
El mtodo analtico para resolver problemas de programacin lineal se basa en
siguiente teorema, llamado teorema fundamental de la programacin lineal para
dos variables, cuyo enunciado en el siguiente: Una funcin objetivo de dos
variables que posea mximo y mnimo nicos en una regin factible acotada, toma
dichos valores necesariamente en los vrtices de la regin. Si la funcin objetivo
toma el mismo valor ptimo (mximo o mnimo) en dos vrtices, entonces la
funcin tiene infinitas soluciones situadas en el segmento que determinan los dos
vrtices mencionados. Si la regin factible no est acotada, la funcin objetivo
toma el valor ptimo (mximo o mnimo) si existen, en los vrtices de la regin;
pero puede ocurrir que no alcance alguno de dichos valores ptimos.
Del teorema anterior se deduce que para determinar los valores ptimos se debe:
Dibujar el recinto limitado por las restricciones del problema.
Calcular las coordenadas de los vrtices.
Sustituir las coordenadas de los vrtice en la funcin objetivo y ver los valores
donde se hace mxima y mnima.
Proceso de produccin.- Una fbrica produce dos tipos de productos: M y N, los

costos de produccin de ambos productos son $3 para el producto M y $5 para el
producto N. El tiempo total de produccin est restringido a 500 horas; y los
tiempos de produccin son de 8 horas/unidad para el producto M y de 4
horas/unidad para el producto N. Formule el Modelo matemtico que permita
determinar la cantidad de productos M y N a producir, y que optimice el Costo total
de produccin de los dos productos.
Formulacin del Modelo
En la formulacin del modelo, podemos ayudarnos con la representacin del

Problema mediante un organizador grfico o esquema:
Definicin de Variables
Se desea formular un modelo matemtico para determinar la cantidad que debe

producirse por cada producto (M y N), por lo tanto tendremos dos variables,
representados por: x1 , x2.
Siendo: x1 = Cantidad a producirse del producto M,
x2 = Cantidad a producirse del producto N
Funcin Objetivo
Como se tiene informacin de Costos de produccin de los productos M y N, el

objetivo ser minimizarlos
Definicin de Restricciones
El tipo de recurso en el problema es el tiempo (puede ser horas hombre u horas

mquina). Formulamos la restriccin, colocando en el lado izquierdo de la
inecuacin el consumo unitario de los productos M y N, y en el lado derecho la
cantidad disponible del recurso (500 horas).
Resumiendo tenemos el siguiente Modelo matemtico de Programacin Lineal del
Problema (un modelo con dos variables y una restriccin, estando listo para
aplicar un mtodo de solucin:
3.1.3 SOLUCION GRAFICA .
El anlisis grfico es una alternativa eficiente para enfrentar la resolucin de

modelos de Programacin Lineal en 2 variables, donde el dominio de puntos
factibles (en caso de existir) se encontrar en el primer cuadrante, como producto
de la interseccin de las distintas restricciones del problema lineal.
Una de las propiedades bsicas de un modelo de Programacin Lineal que admite

solucin, es que sta se encontrar en el vrtice o frontera (tramo) del dominio de
puntos factibles. Es decir, si luego de graficar el dominio y evaluar los distintos
vrtices de modo de elegir "el mejor" candidato segn sea nuestro caso (el valor
de la funcin objetivo ser la que nos permitir discriminar cual es el mejor
candidato dependiendo si estamos maximizando o minimizando).
Consideremos un Ejemplo Introductorio en 2 variables:
D) MIN 8X + 6Y
S.A. 2X + Y >= 10
...... .2X + 2Y >= 16
..... ..X>= 0, Y>= 0
El rea achurada en color verde representa el dominio de puntos factibles del
problema D), es decir, son las distintas combinaciones de valores que pueden
adoptar las variables de decisin que satisfacen las restricciones del problema.
Cabe destacar que esto corresponde a un dominio no acotado, lo que no implica
que el problema no tenga solucin.
Por otra parte sabemos que el ptimo de un problema lineal se encuentra en un

vrtice o frontera del dominio de puntos factibles. En este caso tenemos 3 vrtices
candidatos al ptimo los cuales se sealan con flecha blanca y azul. El vrtice
(X,Y)= (0,10) con V(P)=60; (X,Y)=(2,6) con V(P)=52 y (X,Y)=(8,0) con V(P)=64. El
mnimo valor para la funcin objetivo se alcanza en (X,Y)=(2,6) con V(P)=52, el
cual resulta ser la Solucin ptima de D). Sin embargo, una forma ms eficiente
para obtener el ptimo que no implique evaluar cada vrtice en la funcin objetivo,
es desplazando las curvas de nivel de la funcin objetivo en la direccin del
mximo decrecimiento (en el caso de un problema de minimizacin). Para un
problema de minimizacin, el mayor decrecimiento se alcanza en la direccin del
vector " - Gradiente F(X,Y)", en nuestro caso el vector con direccin (-8,-6)
(direccin representada por flecha roja). Luego, el ptimo se alcanza en el ltimo
punto donde las curvas de nivel intersectan al dominio de puntos factibles en la
direccin del mximo decrecimiento, cuya solucin obviamente corresponde a
(X,Y)=(2,6) con V(P)=52.
Metodologa .Graficar las soluciones factibles (espacio encerrado por todas las
restricciones del modelo). Reemplazar el signo de desigualdad con un signo de
igualdad. Grafique la igualdad (lnea recta). Identificar el lado factible de la recta:
Seleccione un punto cualquiera (a,b) que no pertenezca a la recta y verifique si
satisface la restriccin. Si as es, entonces ese punto est en el lado factible; si no
es as, el lado factible est en el lado opuesto al punto seleccionado. El rea del
grfico que satisface todas las restricciones, se denomina REGIN FACTIBLE
(ESPACIO FACTIBLE) y cualquier punto dentro de esta regin es una SOLUCIN
FACTIBLE.
Aspectos Bsicos Consiste en graficar las soluciones factibles, o el espacio de

soluciones (espacio factible), que satisfaga todas las restricciones
simultneamente. Es una manera simple de resolver un problema de
programacin lineal que tenga solamente dos variables de decisin. Es til para
encontrar la solucin ptima e informacin adicional sobre cuan susceptible es esa
solucin con respecto a los datos del problema. Aun cuando para modelos con
tres o ms variables, este mtodo es imprctico o imposible, proporciona un buen
fundamento para el uso de la P.L. en el mundo real.
Para encontrar el valor ptimo, por el mtodo grfico, de una funcin objetivo de
dos variables, sometida a una serie de restricciones, se realizan los pasos
siguientes:
Se dibuja el recinto limitado por las restricciones dadas mediante un sistema de
inecuaciones.
Se iguala a cero la funcin objetivo ax + by = 0 y se representa la recta, que pasa

por el origen (0,0).
Se traslada la recta anterior paralelamente a su direccin, de modo que las

rectas resultantes barran la regin factible.
Se toma nota de los puntos en los que las mencionadas rectas conectan o
abandonan la regin factible; el valor o valores de la funcin objetivo en los
mencionados puntos nos proporcionan el valor o valores ptimos buscados.
Una primera aproximacin para dar Solucin a problemas de tipo PL, es Poder
identificar nuestro conjunto Factible mediante representaciones grficas Y desde
ah identificar la solucin ptima del sistema. Para una mayor comprensin
mostraremos algunos ejemplos de resolucin de programas de 2 variables. Para
resolver estos problemas mediante grficas, debemos seguir los siguientes pasos:
1. Dibujar un sistema de coordenadas en donde los ejes representan a

las variables de decisin Y luego representar las distintas
restricciones mediante rectas en el sistema coordenado.
2. Representar las regiones del Plano correspondiente
A cada una de Las restricciones, incluyendo las de no negatividad.
Luego, la interseccin de estas regiones nos entregar la regin de
soluciones o regin factible.
3.1.4 SOLUCION ALGEBRAICA
El mtodo algebraico es un procedimiento con el que hemos estado relacionados

antes que conociramos siquiera las implicaciones del trmino optimizacin en la
vida de todo ingeniero industrial.
Cuando se estudian asignaturas, especialmente en carreras como las ingenieras,

los estudiantes muestran un particular inters en saber el Para qu? es
necesario dicho aprendizaje. Por medio del estudio del mtodo grfico se va a
poder resolver la inquietud de porque en cierta medida es importante manejar el
lgebra.
Con el mtodo algebraico se va a hacer uso de todas las herramientas que

utilizaste para resolver sistemas de ecuaciones lineales, en alegra bsica vista en
9 hasta la eliminacin de Gauss Jordn vista en los primeros semestres del ciclo
bsico en carreras relacionadas con el estudio de los nmeros.
Ahora bien, la mejor manera de dominar este mtodo es tener un buen dominio
del algebra y un pensamiento lgico matemtico, y obviamente mucha prctica,
puesto que como dice el adagio popular: La prctica hace al maestro
De acuerdo a consultas realizadas especficamente en el libro investigacin de

operaciones I de francisco Chediak, el cual recomiendo dado su terminologa y la
facilidad con la que se ejemplifican las temticas, tenemos los siguientes pasos
para resolver problemas de programacin lineal por medio del mtodo aqu citado:
Pasos para desarrollar el mtodo algebraico segn Chediak:
* Hallar una solucin bsica y factible (solucin inicial)
* Expresar las inecuaciones como ecuaciones.
* Hallar una variable bsica para cada ecuacin:
* Organizar el sistema de ecuaciones lineales
* Escoger la variable que entra.
* Escoger la variable que sale.
* Reorganizar el sistema de ecuaciones.
* Repetir los pasos 2,3, y 4 hasta encontrar la solucin.

3.1.5 METODOS SIMPLES
El mtodo algebraico es muy dispendioso, en razn a que trabaja con todos los
datos de las ecuaciones, para mejorar ste aspecto se cre el mtodo simplex
cuya gran virtud es su sencillez, mtodo muy prctico, ya que solo trabaja con los
coeficientes de la funcin objetivo y de las restricciones. Las reglas de decisin
para determinar la variable que entra, la que sale, la gran M, y cmo determinar
que estamos en el ptimo; Todas stas reglas de decisin fueron deducidas del
mtodo algebraico, solamente que aqu se han acomodado para ser usadas en el
tipo de tablero simplex que se usar.
Adicionalmente se presentan las siguientes notas a tener en cuanta:
Si en el tablero simplex de la solucin ptima queda al menos una variable

de Super avit artificial dentro de las variables bsicas, con un valor > 0 , el
problema no tiene solucin, esto quiere decir que al menos existen dos
restricciones excluyentes, por lo tanto no existe rea de soluciones factible
y menos una solucin , en ste caso se debe revisar la formulacin del
problema.
Si al escoger la variable que sale, ninguna de las variables bsicas
restringe el crecimiento de la variable no bsica escogida para entrar, el
problema tiene solucin indeterminada y se debe revisar la formulacin en
busca de una nueva restriccin que no se tuvo en cuenta en la formulacin
inicial.
Si en el tablero simplex del ptimo, al menos una de las variables no
bsicas tiene coeficiente cero (0) en la funcin objetivo, esto es su Zj Cj =
0, el problema tiene mltiples soluciones y se nos est ofreciendo una de
ellas.
El mtodo Simplex es un procedimiento iterativo que permite ir mejorando la

solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando
ms dicha solucin.
Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo

consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda
se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si
el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es
finito, siempre se podr encontrar la solucin.
El mtodo Simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no

toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo
largo de la cual f aumenta.
Deber tenerse en cuenta que este mtodo slo trabaja para restricciones que
tengan un tipo de desigualdad y coeficientes independientes mayores o iguales
a 0, y habr que estandarizar las mismas para el algoritmo. En caso de que
despus de ste proceso, aparezcan (o no varen) restricciones del tipo o =
habr que emplear otros mtodos, siendo el ms comn el mtodo de las Dos
Fases.
Si en nuestro modelo, deseamos minimizar, podemos dejarlo tal y como est, pero
deberemos tener en cuenta nuevos criterios para la condicin de parada
(deberemos parar de realizar iteraciones cuando en la fila del valor de la funcin
objetivo sean todos menores o iguales a 0), as como para la condicin de salida
de la fila. Con objeto de no cambiar criterios, se puede convertir el objetivo de
minimizar la funcin F por el de maximizar F(-1).
Ventajas: No deberemos preocuparnos por los criterios de parada, o condicin de

salida de filas, ya que se mantienen.
Inconvenientes: En el caso de que la funcin tenga todas sus variables bsicas

positivas, y adems las restricciones sean de desigualdad , al hacer el cambio
se quedan negativas y en la fila del valor de la funcin objetivo se quedan
positivos, por lo que se cumple la condicin de parada, y por defecto el valor
ptimo que se obtendra es 0.
Solucin: En la realidad no existen este tipo de problemas, ya que para que la
solucin quedara por encima de 0, alguna restriccin debera tener la condicin
, y entonces entraramos en un modelo para el mtodo de las Dos Fases.
Deberemos preparar nuestro modelo de forma que los trminos independientes de

las restricciones sean mayores o iguales a 0, sino no se puede emplear el mtodo
Simplex. Lo nico que habra que hacer es multiplicar por -1 las restricciones
donde los trminos independientes sean menores que 0.
Ventaja: Con sta simple modificacin de los signos en la restriccin podemos

aplicar el mtodo Simplex a nuestro modelo.
Inconvenientes: Puede resultar que en las restricciones donde tengamos que

modificar los signos de las constantes, los signos de las desigualdades fueran (=,
), quedando (=,) por lo que en cualquier caso deberemos desarrollar el
mtodo de las Dos Fases. Este inconveniente no es controlable, aunque nos
podra beneficiar si slo existen trminos de desigualdad (,), y los
coincidieran con restricciones donde el trmino independiente es negativo.
Si en nuestro modelo aparece una inecuacin con una desigualdad del tipo ,
deberemos aadir una nueva variable, llamada variable de exceso si, con la
restriccin si 0. La nueva variable aparece con coeficiente cero en la funcin
objetivo, y restando en las inecuaciones.
Surge ahora un problema, veamos cmo queda una de nuestras inecuaciones que
contenga una desigualdad :
a11x1 + a12x2 b1 a11x1 + a12x2 1xs = b1
Como todo nuestro modelo, est basado en que todas sus variables sean mayores
o iguales que cero, cuando hagamos la primera iteracin con el mtodo Simplex,
las variables bsicas no estarn en la base y tomarn valor cero, y el resto el valor
que tengan. En este caso nuestra variable xs, tras hacer cero a x1 y x2, tomar el
valor -b1. No cumplira la condicin de no negatividad, por lo que habr que aadir
una nueva variable, xr, que aparecer con coeficiente cero en la funcin objetivo, y
sumando en la inecuacin de la restriccin correspondiente. Quedara entonces de
la siguiente manera:
a11x1 + a12x2 b1 a11x1 + a12x2 1xs + 1 xr = b1
Este tipo de variables se les llama variables artificiales, y aparecern cuando haya
inecuaciones con desigualdad (=,). Esto nos llevar obligadamente a realizar
el mtodo de las Dos Fases, que se explicar ms adelante.
Del mismo modo, si la inecuacin tiene una desigualdad del tipo , deberemos
aadir una nueva variable, llamada variable de holgura si, con la restriccin si 0
. La nueva variable aparece con coeficiente cero en la funcin objetivo, y sumando
en las inecuaciones.
A modo resumen podemos dejar esta tabla, segn la desigualdad que aparezca, y
con el valor que deben estar las nuevas variables.
Una vez que hemos estandarizado nuestro modelo, puede ocurrir que
necesitemos aplicar el mtodo Simplex o el mtodo de las Dos Fases. Vase en la
figura como debemos actuar para llegar a la solucin de nuestro problema.
Construccin de la primera tabla: En la primera columna de la tabla aparecer
lo que llamaremos base, en la segunda el coeficiente que tiene en la funcin
objetivo cada variable que aparece en la base (llamaremos a esta columna Cb), en
la tercera el trmino independiente de cada restriccin (P0), y a partir de sta
columna aparecern cada una de las variables de la funcin objetivo (Pi). Para
tener una visin ms clara de la tabla, incluiremos una fila en la que pondremos
cada uno de los nombres de las columnas. Sobre sta tabla que tenemos
incluiremos dos nuevas filas: una que ser la que liderar la tabla donde
aparecern las constantes de los coeficientes de la funcin objetivo, y otra que
ser la ltima fila, donde tomar valor la funcin objetivo. Nuestra tabla final tendr
tantas filas como restricciones.
Los valores de la fila Z se obtienen de la siguiente forma: El valor Z0 ser el de

sustituir Cim en la funcin objetivo (y cero si no aparece en la base). El resto de
columnas se obtiene restando a este valor el del coeficiente que aparece en la
primera fila de la tabla.
Se observar al realizar el mtodo Simplex, que en esta primera tabla, en la base

estarn las variables de holgura.
Condicin de parada: Comprobaremos si debemos de dar una nueva iteracin

o no, que lo sabremos si en la fila Z aparece algn valor negativo. Si no aparece
ninguno, es que hemos llegado a la solucin ptima del problema.
Eleccin de la variable que entra: Si no se ha dado la condicin de parada,

debemos seleccionar una variable para que entre en la base en la siguiente tabla.
Para ello nos fijamos en los valores estrictamente negativos de la fila Z, y el menor
de ellos ser el que nos de la variable entrante.
Eleccin de la variable que sale: Una vez obtenida la variable entrante,

obtendremos la variable que sale, sin ms que seleccionar aquella fila cuyo
cociente P0/Pj sea el menor de los estrictamente positivos (teniendo en cuenta
que slo se har cuando Pj sea mayor de 0). La interseccin entre la columna
entrante y la fila saliente nos determinar el elemento pivote.
Actualizacin de la tabla: Las filas correspondientes a la funcin objetivo y a

los ttulos permanecern inalterados en la nueva tabla. El resto deber calcularse
de dos formas diferentes:
Si es la fila pivote cada nuevo elemento se calcular: Nuevo Elemento Fila

Pivote = Elemento Fila Pivote actual / Pivote.
Para el resto de elementos de filas se calcular: Nuevo Elemento Fila =
Elemento Fila Pivote actual (Elemento Columna Pivote en la fila actual *
Nuevo Elemento Fila).
Esta herramienta est pensada para ayudar a los estudiantes en su aprendizaje ya

que no solo muestra los resultados finales sino tambin las operaciones
intermedias. Tambin ofrece la solucin directa para uso de profesionales. Otras
de sus ventajas son que no precisa de ningn lenguaje para enunciar el problema,
ofrece una interfaz amigable, es cercano al usuario, de manejo fcil e intuitivo, no
es necesario instalar nada para poder usarlo, y est disponible en varios idiomas
(si desea que PHPSimplex est en su idioma pngase en contacto con nosotros).
3.1.6 MODELO DUAL
La Teora de la Dualidad es una de las herramientas que ha venido a proporcionar

mayor potencia al desarrollo y a la aplicacin de modelos de Programacin Lineal,
demostrado ser una eficiente herramienta en apoyo a la toma de decisiones
basadas en resultados cuantitativos.
Permite adems agilizar el logro de soluciones ptimas, verifica ala adecuacin del
modelo respecto a la realidad que representa, constata la factibilidad del modelo
con las restricciones estimadas y comprueba cuan viable resulta cierta solucin.
Sin embargo, los problemas o casos a resolver no siempre se presentan de tal

manera que puedan expresarse en la forma estndar y resolverse por el mtodo
dual-smplex, por lo que es necesario plantear una metodologa para resolver
estos casos. Se tiene un mtodo aprovechando uno de los resultados del
desarrollo de la programacin lineal, el concepto de dualidad plantea que,
asociado a todo problema de programacin lineal, existe otro problema lineal
llamado dual.
El dual es un problema de PL que se obtiene matemticamente de un modelo

primal de PL dado. Los problemas dual y primal estn relacionados a tal grado,
que la solucin smplex ptima de cualquiera de los dos problemas conduce en
forma automtica a la solucin ptima del otro.
El concepto de dualidad indica que para cada problema de PL hay una asociacin
y una relacin muy importante con otro problema de programacin lineal, llamado
precisamente dual.
La relacin entre el problema dual y su asociado, es decir el problema

original llamado primal, presenta varias utilidades:
Aporta elementos que aumentan sustancialmente la compresin de la PL.
El anlisis de dualidad es una herramienta til en la solucin de problemas
de PL, por ejemplo: ms restricciones que variables.
El problema dual tiene interpretaciones e informaciones importantes que
muestran que los anlisis marginales estn siempre involucrados
implcitamente al buscar la solucin ptima a un problema de PL.
La dualidad es importante por las siguientes razones:
1. El problema dual puede ahorrar un nmero considerable de clculos, en

particular cuando el problema primario tiene muchas restricciones y pocas
variables lo cual implicara un nmero elevado de clculos para su
resolucin.
2. La dualidad tiene una relacin importante con el anlisis de sensibilidad,
esto es muy til para analizar cmo puede cambiar la funcin objetivo ante
variaciones en las diferentes condiciones del problema.
3. El problema dual, proporciona informacin importante sobre la manera
ptima de aplicar recursos que son escasos a fin de obtener beneficios
econmicos.
BIBLIOGRAFIA:
https://unicmontiel.files.wordpress.com/2011/08/teoria-dualidad.pdf
http://ninive.uaslp.mx/jspui/bitstream/i/3133/2/ceu0073.pdf
https://jrvargas.files.wordpress.com/2009/01/investigacic3b3n-de-operaciones-en-la-
ciencia-administrativa-5ta-edicic3b3n.pdf
https://vagosuatfis.files.wordpress.com/2012/07/thaja-investigacion-de-operaciones-by-
k9.pdf
4 LA TOMA DE DESICIONES EN CONDICIONES DE RIESGO.

Todos y cada uno de nosotros pasamos los das y las horas de nuestra vida teniendo que tomar decisiones;
algunas decisiones tienen una importancia relativa en el desarrollo de nuestra vida, mientras otras son
gravitantes en ella.
Para los administradores, el proceso de toma de decisin es sin duda una de las mayores responsabilidades.
No obstante, este proceso lo llevamos a cabo frecuentemente, aun cuando no lo notemos; por ejemplo, si
vamos a comprar algn determinado producto y existen dos lugares en donde ste se encuentra a la venta,
debemos decidir en dnde comprarlo o incluso, si realmente nos conviene hacerlo. La toma de decisiones en
una organizacin se circunscribe a una serie de personas que estn apoyando el mismo proyecto. Debemos
empezar por hacer una seleccin de decisiones, y esta seleccin es una de las tareas de gran trascendencia.
TOMA DE DESICIONES BAJO CONDICIONES DE RIESGO
El riesgo es la condicin en la que los individuos pueden definir un problema, especificar la probabilidad de
ciertos hechos, identificar soluciones alternativas y enunciar la probabilidad de que cada solucin d los
resultados deseados. el riesgo suele significar que el problema y las soluciones alternativas ocupan algn
punto intermedio entre los extremos representados por la plena informacin y definicin y el carcter inusual y
ambiguo.
La probabilidad es el porcentaje de veces en las que ocurrira un resultado especfico si un individuo tomara
muchas veces una misma decisin. El monto y calidad de la informacin disponible para un individuo sobre la
condicin pertinente de la toma de decisiones puede variar ampliamente, lo mismo que las estimaciones de
riesgo del individuo. El tipo, monto y confiabilidad de la informacin influyen en el nivel de riesgo y en el hecho
de si el responsable de tomar la decisin puede hacer uso de la probabilidad objetiva o subjetiva en la
estimacin del resultado.16
4.1 ESTADISTICA.
La estadstica (la forma femenina del trmino alemn Statistik, derivado a su vez
del italiano statista, "hombre de Estado")1 es una rama de las matemticas y una
herramienta que estudia usos y anlisis provenientes de una muestra
representativa de datos, que busca explicar las correlaciones y dependencias de
un fenmeno fsico o natural, de ocurrencia en forma aleatoria o condicional.
Es transversal a una amplia variedad de disciplinas, desde la fsica hasta
las ciencias sociales, desde las ciencias de la salud hasta el control de calidad.
Adems, se usa en reas de negocios o instituciones gubernamentales ya que su
principal objetivo es describir al conjunto de datos obtenidos para la toma de
decisiones o bien, para realizar generalizaciones sobre las caractersticas
observadas.
Hoy en da, la estadstica es una ciencia que se encarga de estudiar una
determinada poblacin por medio de la recoleccin, recopilacin e interpretacin
16
http://www.monografias.com/trabajos80/toma-decisiones/toma-decisiones.shtml
http://manuelgross.bligoo.com/toma-de-decisiones-en-condiciones-de-certeza-incertidumbre-y-
riesgo#.WiVqitLhDs0
de datos. Del mismo modo, tambin es considerada una tcnica especial apta
para el estudio cuantitativo de los fenmenos de masa o colectivo.
La estadstica se divide en dos grandes reas:
Estadstica descriptiva: Se dedica a la descripcin, visualizacin y resumen

de datos originados a partir de los fenmenos de estudio. Los datos pueden
ser resumidos numrica o grficamente. Su objetivo es organizar y describir
las caractersticas sobre un conjunto de datos con el propsito de facilitar su
aplicacin, generalmente con el apoyo de grficas, tablas o medidas
numricas.
Ejemplos bsicos de parmetros estadsticos son: la media y
la desviacin estndar.
Ejemplos grficos son: histograma, pirmide poblacional, grfico
circular, entre otros.
Estadstica inferencial: Se dedica a la generacin de los modelos,

inferencias y predicciones asociadas a los fenmenos en cuestin teniendo en
cuenta la aleatoriedad de las observaciones. Se usa para modelar patrones en
los datos y extraer inferencias acerca de la poblacin bajo estudio. Estas
inferencias pueden tomar la forma de respuestas a preguntas s/no (prueba de
hiptesis), estimaciones de unas caractersticas numricas
(estimacin), pronsticos de futuras observaciones, descripciones de
asociacin (correlacin) o modelamiento de relaciones entre variables (anlisis
de regresin). Otras tcnicas de modelamiento incluyen anlisis de
varianza, series de tiempo y minera de datos. Su objetivo es obtener
conclusiones tiles para lograr hacer deducciones acerca de la totalidad de
todas las observaciones hechas, basndose en la informacinnumrica.
Ambas ramas (descriptiva e inferencial) comprenden la estadstica aplicada, pero

la estadstica inferencial, por su parte, se divide en estadstica
paramtrica y estadstica no paramtrica.
Existe tambin una disciplina llamada estadstica matemtica, la que se refiere a
las bases tericas de la materia. La palabra estadsticas tambin se refiere al
resultado de aplicar los logaritmos estadsticos a un conjunto de datos, como
en estadsticas econmicas, estadsticas criminales, etctera.17
17
Real Academia Espaola y Asociacin de Academias de la Lengua
Espaola (2014). estadstica. Diccionario de la lengua espaola (23. edicin).
Madrid: Espasa. ISBN 978-84-670-4189-7.
2. Volver arriba Ver el trabajo de Ian Hacking en The emergence of probability para una
historia del desarrollo del concepto de probabilidad matemtica.
3. Volver arriba Galton, F (1877). Typical laws of heredity. Nature 15: 492-
553. doi:10.1038/015492a0.
4,1 MODELOS DE TENDENCIA CENTRAL.
Al describir grupos de diferentes observaciones, con frecuencia es conveniente
resumir la informacin con un solo nmero. Este nmero que, para tal fin, suele
situarse hacia el centro de la distribucin de datos se
denomina medida o parmetro de tendencia central o de centralizacin. Cuando
se hace referencia nicamente a la posicin de estos parmetros dentro de la
distribucin, independientemente de que est ms o menos centrada, se habla de
estas medidas como medidas de posicin.1 En este caso se incluyen tambin
los cuantiles entre estas medidas.
Entre las medidas de tendencia central tenemos:
Media aritmtica
Media ponderada
Media geomtrica
Media armnica
Mediana
Moda
Se debe tener en cuenta que existen variables cualitativas y variables

cuantitativas, por lo que las medidas de posicin o medidas de tendencia se usan
de acuerdo al tipo de variable que se est observando, en este caso se
observan variables cuantitativas.
4.1.1 MEDIA, MEDIANA Y MODA.
La media aritmtica es el valor obtenido por la suma de todos sus valores dividida
entre el nmero de sumadores.
Por ejemplo, las notas de 5 alumnos en una prueba:
nio nota
1 6,0 Primero, se suman las notas:
2 5,4 6,0+5,4+3,1+7,0+6,1 = 27,6
3 3,1 Luego el total se divide entre la cantidad de
alumnos:
4 7,0 27,6/5=5,52
5 6,1
La media aritmtica en este ejemplo es 5,52

La media aritmtica es, probablemente, uno de los parmetros estadsticos ms
extendidos.2 Se le llama tambin promedio o, simplemente, media.
Definicin formal
Dado un conjunto numrico de datos, x1, x2, ..., xn, se define su media aritmtica como
Esta definicin vara, aunque no sustancialmente, cuando se trata de variables

continuas, esto es, tambin puede calcularse para variables agrupadas
en intervalos.
Propiedades
Las principales propiedades de la media aritmtica son: 3
Su clculo es muy sencillo y en l intervienen todos los datos.
Su valor es nico para una serie de datos dada.
Se usa con frecuencia para comparar poblaciones, aunque es ms apropiado

acompaarla de una medida de dispersin.
Se interpreta como "punto de equilibrio" o "centro de masas" del conjunto de

datos, ya que tiene la propiedad de equilibrar las desviaciones de los datos
respecto de su propio valor:
Minimiza las desviaciones cuadrticas de los datos respecto de cualquier
valor prefijado, esto es, el valor de es mnimo cuando . Este

resultado se conoce como Teorema de Knig. Esta propiedad permite
interpretar uno de los parmetros de dispersin ms importantes:
la varianza.
Se ve afectada por transformaciones afines (cambios de origen y escala),

esto es, si
entonces , donde es la media aritmtica de los , para i =

1, ..., n y a y b nmeros reales.
Es poco sensible a fluctuaciones muestrales, por lo que es un

parmetro muy til en inferencia estadstica.
Inconvenientes de su uso
Este parmetro, an teniendo mltiples propiedades que aconsejan su uso
en situaciones muy diversas, tiene tambin algunos inconvenientes, como
son:
Para datos agrupados en intervalos (variables continuas) su valor

oscila en funcin de la cantidad y amplitud de los intervalos que se
consideren.
La estatura media como resumen de una poblacin homognea (abajo) o

heterognea (arriba).
Es una medida a cuyo significado afecta sobremanera la dispersin, de

modo que cuanto menos homogneos sean los datos, menos
informacin proporciona. Dicho de otro modo, poblaciones muy
distintas en su composicin pueden tener la misma media. 4 Por
ejemplo, un equipo de baloncesto con cinco jugadores de igual
estatura, 1,95 m, evidentemente, tendra una estatura media de 1,95
m, valor que representa fielmente a esta poblacin homognea. Sin
embargo, un equipo de jugadores de estaturas ms heterogneas,
2,20 m, 2,15 m, 1,95 m, 1,75 m y 1,70 m, por ejemplo, tendra tambin,
como puede comprobarse, una estatura media de 1,95 m, valor que no
representa a casi ninguno de sus componentes.
En el clculo de la media no todos los valores contribuyen de la misma

manera. Los valores altos tienen ms peso que los valores cercanos a
cero. Por ejemplo, en el clculo del salario medio de una empresa, el
salario de un alto directivo que gane 10.000 tiene tanto peso como el
de diez empleados "normales" que ganen 1.000 . En otras palabras,
se ve muy afectada por valores extremos.
No se puede determinar si en una distribucin de frecuencias hay
intervalos de clase abiertos.
Media aritmtica ponderada[editar]

A veces puede ser til otorgar pesos o valores a los datos dependiendo de
su relevancia para determinado estudio. En esos casos se puede utilizar
una media ponderada.
Si son nuestros datos y son sus "pesos" respectivos, la media

ponderada se define de la siguiente forma:
Media muestral[editar]
Esencialmente, la media muestral es el mismo parmetro que el
anterior, aunque el adjetivo "muestral" se aplica a aquellas situaciones
en las que la media aritmtica se calcula para un subconjunto de la
poblacin objeto de estudio.
La media muestral es un parmetro de extrema importancia en
la inferencia estadstica, siendo de gran utilidad para la estimacin de
la media poblacional, entre otros usos.
MEDIANA
La mediana es un valor de la variable que deja por debajo de s a la mitad de los

datos, una vez que stos estn ordenados de menor a mayor. 7 Por ejemplo, la
mediana del nmero de hijos de un conjunto de trece familias, cuyos respectivos hijos
son: 3, 4, 2, 3, 2, 1, 1, 2, 1, 1, 2, 1 y 1, es 2, puesto que, una vez ordenados los datos:
1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 4, el que ocupa la posicin central es 2:
En caso de un nmero par de datos, la mediana no correspondera a ningn valor de
la variable, por lo que se conviene en tomar como mediana el valor intermedio entre
los dos valores centrales. Por ejemplo, en el caso de doce datos como los siguientes:
Se toma como mediana

Existen mtodos de clculo ms rpidos para datos ms numerosos (vase el artculo
principal dedicado a este parmetro). Del mismo modo, para valores agrupados en
intervalos, se halla el "intervalo mediano" y, dentro de ste, se obtiene un valor
concreto por interpolacin.
xi fi Fi
1 2 2
2 2 4
3 4 8
Clculo de la mediana para datos agrupados
4 5 13
Primero hallamos las frecuencias absolutas acumuladas Fi (ver tabla
del margen derecho). 5 6 19 = 19
As, aplicando la frmula asociada a la mediana para n impar,
obtenemos X(39+1)/2 = X20 y basndonos en la frmula que hace 6 9 28
referencia a las frecuencias absolutas:
7 4 32
Ni-1< n/2 <Ni = N19 < 19.5 < N20
Por tanto la mediana ser el valor de la variable que ocupe el vigsimo 8 4 36
lugar. En nuestro ejemplo, 21 (frecuencia absoluta acumulada para Xi =
5) > 19.5 con lo que Me = 5 puntos (es aconsejable no olvidar las 9 2 38
unidades; en este caso como estamos hablando de calificaciones,
sern puntos)
La mitad de la clase ha obtenido un 5 o menos, y la otra mitad un 5 o ms.
Ejemplo (N par)
Las calificaciones en la asignatura de Matemticas de 38 alumnos de una clase viene dada
por la siguiente tabla (debajo):
Calificaciones 1 2 3 4 5 6 7 8 9
Nmero de alumnos 2 2 4 5 6 9 4 4 2
Clculo de la Mediana:
Primero hallamos las frecuencias absolutas acumuladas Fi (ver tabla margen
derecho).
Si volvemos a utilizar la frmula asociada a la mediana para n par, obtenemos X(38/2)
= X19 y basndonos en la frmula que hace referencia a las frecuencias absolutas
--> Ni-1< n/2 < Ni = N18 < 19 < N19
Con lo cual la mediana ser la media aritmtica de los valores de la variable que
ocupen el decimonoveno y el vigsimo lugar.
En nuestro ejemplo, el lugar decimonoveno lo ocupa el 5 y el vigsimo el 6, (desde el
vigsimo hasta el vigsimo octavo)
con lo que Me = (5+6)/2 = 5,5 puntos.
Propiedades e inconvenientes[editar]
Las principales propiedades de la mediana son: 8
Es menos sensible que la media a oscilaciones de los valores de la
variable. Un error de transcripcin en la serie del ejemplo anterior en,
pongamos por caso, el ltimo nmero, deja a la mediana inalterada.
Como se ha comentado, puede calcularse para datos agrupados en
intervalos, incluso cuando alguno de ellos no est acotado.
No se ve afectada por la dispersin. De hecho, es ms representativa
que la media aritmtica cuando la poblacin es bastante heterognea.
Suele darse esta circunstancia cuando se resume la informacin sobre
los salarios de un pas o una empresa. Hay unos pocos salarios muy
altos que elevan la media aritmtica haciendo que pierda
representatividad respecto al grueso de la poblacin. Sin embargo,
alguien con el salario "mediano" sabra que hay tanta gente que gana
ms dinero que l, como que gana menos.
Sus principales inconvenientes son que en el caso de datos agrupados en

intervalos, su valor vara en funcin de la amplitud de estos. Por otra parte,
no se presta a clculos algebraicos tan bien como la media aritmtica.
MODA
La moda es el dato ms repetido de la encuesta, el valor de la variable con

mayor frecuencia absoluta.5 En cierto sentido la definicin matemtica corresponde
con la locucin "estar de moda", esto es, ser lo que ms se lleva.
Su clculo es extremadamente sencillo, pues solo necesita un recuento. En variables
continuas, expresadas en intervalos, existe el denominado intervalo modal o, en su
defecto, si es necesario obtener un valor concreto de la variable, se recurre a
la interpolacin.
Por ejemplo, el nmero de personas en distintos vehculos en una carretera: 5-7-4-6-
9-5-6-1-5-3-7. El nmero que ms se repite es 5, entonces la moda es 5.
Hablaremos de una distribucin bimodal de los datos, cuando encontremos dos
modas, es decir, dos datos que tengan la misma frecuencia absoluta mxima. Cuando
en una distribucin de datos se encuentran tres o ms modas, entonces es
multimodal. Por ltimo, si todas las variables tienen la misma frecuencia diremos que
no hay moda.
Cuando tratamos con datos agrupados en intervalos, antes de calcular la moda, se ha
de definir el intervalo modal. El intervalo modal es el de mayor frecuencia absoluta.
La moda, cuando los datos estn agrupados, es un punto que divide el intervalo
modal en dos partes de la forma p y c-p, siendo c la amplitud del intervalo, que
verifiquen que:
Siendo la frecuencia absoluta del intervalo modal y y las frecuencias

absolutas de los intervalos anterior y posterior, respectivamente, al intervalo modal.
Las calificaciones en la asignatura de Matemticas de 39 alumnos de una clase viene dada
por la siguiente tabla (debajo):
Calificaciones 1 2 3 4 5 6 7 8 9
Nmero de alumnos 2 2 4 5 8 9 3 4 2
Propiedades
Sus principales propiedades son:
Clculo sencillo.
Interpretacin muy clara.
Al depender solo de las frecuencias, puede calcularse para variables
cualitativas. Es por ello el parmetro ms utilizado cuando al resumir una poblacin no
es posible realizar otros clculos, por ejemplo, cuando se enumeran en medios
periodsticos las caractersticas ms frecuentes de determinado sector social. Esto se
conoce informalmente como "retrato robot".6
Inconvenientes
Su valor es independiente de la mayor parte de los datos, lo que la hace muy
sensible a variaciones mustrales. Por otra parte, en variables agrupadas en
intervalos, su valor depende excesivamente del nmero de intervalos y de su
amplitud.
Usa muy pocas observaciones, de tal modo que grandes variaciones en los
datos fuera de la moda, no afectan en modo alguno a su valor.
No siempre se sita hacia el centro de la distribucin.
Puede haber ms de una moda en el caso en que dos o ms valores de la

variable presenten la misma frecuencia (distribuciones bimodales o multimodales). 18
18
Fernndez Fernndez, Santiago; Alejandro Crdoba, Jos Mara Cordero Snchez,
Alejandro Crdoba (2002). 3.3. Medidas de posicin. Estadstica Descriptiva (2
edicin). ESIC Editorial. p. 134. ISBN 8473563069.
2. Volver arriba Wackerly, Dennis D; Mendenhall, William; Scheaffer, Richard L. (2002).
1.3. Descripcin de un conjunto de mediciones: mtodos numricos. Estadstica
matemtica con aplicaciones (6 edicin). Cengage Learning Editores.
p. 8. ISBN 9706861947. La medida central que ms se usa en estadstica es la media
aritmtica.
3. Volver arriba Rius Daz, Francisca (octubre de 1997). 2.3.2 La
media. Bioestadstica. Mtodos y aplicaciones. Mlaga: Universidad de
Mlaga. ISBN 84-7496-653-1. Archivado desde el original el 23 de diciembre de 2009.
Consultado el 7 de abril de 2009.
4.1.3 MEDIDAS DE DISPERSION
La s med i da s de di sp e rsi n n o s i n fo rma n so b re cu n to se al e ja n

de l ce n tro l o s val o re s d e l a di stri b u ci n .
La s med i da s de di sp e rsi n so n :
Rango o recorrido
El ran g o e s l a d i fe ren ci a e n tre e l ma yo r y el men o r de lo s da to s de

un a d i stri bu ci n e stad sti ca .
Desviacin media
La desviacin respecto a la media es la diferencia entre

cada valor de la variable estadstica y la media aritmtica .
Di = x - x
La desviacin media es la media aritmtica de los valores

absolutos de las desviaciones respecto a la media .
La desviacin media se representa por
4.1.4 DESVIACION ESTANDAR Y LA VARIANZA.
La varianza es la media aritmtica del cuadrado de las

desviaciones respecto a la media de una distribucin estadstica.
La varianza se representa por .

Varianza para datos agrupados
Para simplificar el clculo de la varianza vamos o utilizar las

siguientes expresiones que son equivalentes a las anteriores.
Varianza para datos agrupados
Ejercicios de varianza
Calcular la varianza de la distribucin: 1 9
9, 3, 8, 8, 9, 8, 9, 18
19
https://www.ditutor.com/estadistica/medidas_dispersion.html
4.2 TEORIA DE LA PROBABILIDAD.
La teora de la probabilidad es una rama de las matemticas que estudia

los fenmenos aleatorios y estocsticos. Los fenmenos aleatorios se contraponen a
los fenmenos deterministas, los cuales son resultados nicos y/o previsibles de
experimentos realizados bajo las mismas condiciones determinadas, por ejemplo, si
se calienta agua a 100 C a nivel del mar se obtendr vapor. Los fenmenos
aleatorios, por el contrario, son aquellos que se obtienen de experimentos realizados,
otra vez, bajo las mismas condiciones determinadas pero como resultado posible
poseen un conjunto de alternativas, por ejemplo, el lanzamiento de un dado o de una
moneda.
La teora de probabilidades se ocupa de asignar un cierto nmero a cada posible
resultado que pueda ocurrir en un experimento aleatorio, con el fin de cuantificar
dichos resultados y saber si un suceso es ms probable que otro.
Muchos fenmenos naturales son aleatorios, pero existen algunos como el
lanzamiento de un dado, donde el fenmeno no se repite en las mismas condiciones,
debido a que las caractersticas del material hace que no exista una simetra del
mismo, as las repeticiones no garantizan una probabilidad definida. En los procesos
reales que se modelizan mediante distribuciones de probabilidad corresponden a
modelos complejos donde no se conocen a priori todos los parmetros que
intervienen; sta es una de las razones por las cuales la estadstica, que busca
determinar estos parmetros, no se reduce inmediatamente a la teora de la
probabilidad en s.
En 1933, el matemtico sovitico Andri Kolmogrov propuso un sistema de axiomas
para la teora de la probabilidad, basado en la teora de conjuntos y en la teora de la
medida, desarrollada pocos aos antes por Lebesgue, Borel y Frechet entre otros.
Esta aproximacin axiomtica que generaliza el marco clsico de la probabilidad, la
cual obedece a la regla de clculo de casos favorables sobre casos posibles, permiti
la rigorizacin de muchos argumentos ya utilizados, as como el estudio de problemas
fuera de los marcos clsicos. Actualmente, la teora de la probabilidad encuentra
aplicacin en las ms variadas ramas del conocimiento, como puede ser
la fsica (donde corresponde mencionar el desarrollo de las difusiones y el movimiento
Browniano), o la economa (donde destaca el modelo de Black y Scholes para la
valuacin de acciones).
Bibliografa
P. Ibarrola, L. Pardo y V. Quesada (1997): Teora de la Probabilidad, Ed.
Sntesis, ISBN 84-7738-516-5.
Spiegel, Murray. 1970. Estadstica, McGraw-Hill, Mxico.
Olav Kallenberg, Probabilistic Symmetries and Invariance Principles. Springer-
Verlag, New York (2005). 510 pp. ISBN 0-387-25115-4
Kallenberg, O., Foundations of Modern Probability, 2nd ed. Springer Series in
Statistics. (2002). 650 pp. ISBN 0-387-95313-2
4.2.1 PROPIEDADES FORMALES DE LAS PROBABILIDADES
Probabilidad condicionada
Como la probabilidad est ligada a nuestra ignorancia sobre los resultados de la
experiencia, el hecho de que ocurra un suceso, puede cambiar la probabilidad de los
dems. El proceso de realizar la historia clnica, explorar y realizar pruebas
complementarias ilustra este principio.
La probabilidad de que ocurra el suceso A si ha ocurrido el suceso B se

denomina probabilidad condicionada y se define
Esta definicin es consistente, es decir cumple los axiomas de probabilidad.
Cuando ocurre un suceso cambia el espacio muestral, por eso cambia la

probabilidad. A veces es ms fcil calcular la probabilidad condicionada teniendo en
cuenta este cambio de espacio muestral.
Ejemplo 3:
Una mujer es portadora de la enfermedad de Duchenne Cul es la probabilidad de
que su prximo hijo tenga la enfermedad?
Segn las leyes de Mendel, todos los posibles genotipos de un hijo de una madre
portadora (xX) y un padre normal (XY) son xX, xY, XX, XY y tienen la misma
probabilidad. El espacio muestral es W = {xX, xY, XX, XY}
el suceso A={hijo enfermo} corresponde al genotipo xY, por tanto, segn la definicin
clsica de probabilidad
p(A) = 1/4 = 0,25
La mujer tiene el hijo y es varn qu probabilidad hay de que tenga la enfermedad?
Se define el suceso B = {ser varn} = {xY, XY}
la probabilidad pedida es p(A|B) y aplicando la definicin anterior
p(B) = 0,5; A B = {xY}; p(A B) = 0,25; p(A|B) = 0,25/0,5 = 0,5
Si sabemos que es varn, el espacio muestral ha cambiado, ahora es B. Por lo tanto
se puede calcular p(A|B) aplicando la definicin clsica de probabilidad al nuevo
espacio muestral
p(A|B) = 1/2 = 0,5
Ejemplo 4:
Se sabe que el 50% de la poblacin fuma y que el 10% fuma y es hipertensa. Cul
es la probabilidad de que un fumador sea hipertenso?
A = {ser hipertenso} B = {ser fumador}
AB = {ser hipertenso y fumador}
p(A|B) = 0,10/0,50 = 0,20
Obsrvese que los coeficientes falso-positivo y falso-negativo de las pruebas
diagnsticas son probabilidades condicionadas.
La frmula anterior se puede poner p(A B) = p(B) p(A|B) = p(A) p(B|A)
llamada regla de la multiplicacin, que se puede generalizar a ms sucesos
p(A1 A2 A3) = p((A1 A2) A3) = p(A1 A2) p(A3|A1 A2) = p(A1) p(A2|A1)
p(A3|A1 A2)
En general p(A1 A2 A3 ...) = p(A1) p(A2|A1) p(A3|A1 A2) ...
llamado principio de las probabilidades compuestas y especialmente til para
aquellas situaciones en que las probabilidades condicionadas son ms fciles de
obtener que las probabilidades de las intersecciones.
Ejemplo 5:
Se sabe por estudios previos que el 0,1% de la poblacin tiene problemas
vasculares. Un estudio sobre individuos con problemas vasculares revela que el
20% de ellos son placas de ateroma. Si el 10% de los individuos con placas de
ateroma estn expuestos a muerte sbita por desprendimiento de trombos qu
probabilidad tiene un individuo cualquiera de estar expuesto a muerte sbita por
desprendimiento de trombos de una placa de ateroma?
A1 = {problemas vasculares}; A2 = {placas de ateroma}; A3 = {expuesto a muerte
sbita por ....}
p(A1) = 0,001; p(A2|A1) = 0,20; p(A3|A1 A2) = 0,1
p(A1 A2 A3) = 0,001 x 0,20 x 0,1 = 0,000002
Ejemplo 6:
Una urna contiene 10 bolas, de las cuales 3 son rojas, 5 verdes y 2 azules. Se
extraen al azar 3 bolas. Calcular la probabilidad de que la primera sea azul, y las
otras dos verdes.
Definimos A1 = {la 1 bola es azul}; A2 = {la 2 bola es verde}; A3 = {la 3 bola es
verde}
p(A1) = 2/10 aplicando la definicin clsica de probabilidad, puesto que hay 10 bolas
y 2 son verdes.
p(A2|A1) = 5/9; si la primera bola extrada es azul, en la urna quedan 9 bolas, 5 de
ellas verdes.
p(A3|A1 A2) = 4/8; si la primera bola extrada es azul y la segunda verde en la
urna quedan 8 bolas, 4 de ellas verdes.
p(A1 A2 A3) = 2/10 x 5/9 x 4/8 = 1/18.20
4.2.2 COMBINACIONES Y PERMUTACIONES
Una cosa que sabemos sobre situaciones que implican eventos dependientes es
que una accin elimina resultados posibles de acciones futuras. Hay otro factor
importante que considera sobre los resultados de eventos dependientes: Cmo
estn organizados? Debemos hacer una lista, anotando el orden en que ocurren,
o slo los amontonamos juntos ignorando el orden?
Considera los tres ejemplos anteriores, y piensa si el orden importa:
Situacin Eventos Importa el orden?

En una fiesta, sacas
Sacar el nombre de
cuatro papelitos con
John El orden no importa. Esas cuatro
nombres de invitados
Sacar el nombre de personas estarn en el mismo
para formar un equipo
Perna equipo as saques a John, Perna,
de 4 personas. Cul
Sacar el nombre de Tosho, y luego Lee, o Perna,
es la probabilidad de
Tosho Tosho, Lee, y al final John.
que John, Perna,
Sacar el nombre de
Tosho, y Lee quedarn
Lee
en el mismo equipo?
Sacas una canica de La primera sacada El orden es importante. Sacar una
una bolsa con 2 es roja. canica verde y luego una roja no
canicas rojas, 2 La segunda sacada es un resultado aceptable en esta
blancas, y una verde. es verde. situacin
Te quedas la canica y
20
https://www.vitutor.com/pro/2/a_8.html
luego sacas otra.
Cul es la
probabilidad de sacar
una canica roja y luego
sacar la canica verde?
Sacas dos cartas de un
mazo estndar de 52
cartas. (En un mazo
estndar, cada carta
tiene un palo El orden no importa. El resultado
corazones, picas, se satisface ya sea que saques el
Una carta es un 2.
diamantes, o trboles 2 de corazones y el 2 de picas, o
Otra carta es un 2.
y un rango As, 2, el 2 de picas y luego el 2 de
3, 4, 5, 6, 7, 8, 9, 10, corazones.
Jota, Reina, o Rey.
Cul es la
probabilidad de que
ambas cartas sean 2s?
En situaciones que crean grupos de objetos (como personas, canicas, o cartas),

necesitamos saber si su orden importa o no. De lo contrario no podemos encontrar
los espacios muestral y de eventos.
Considera el ejemplo del equipo. En el espacio muestral, el resultado John, Perna,

Tosho, Lee es el mismo que el resultado Perna, Lee, John, Tosho no hay
diferencia entre los equipos creados, aunque los nombres de los miembros hayan
sido mencionados en un orden distinto. Por otro lado, supongamos que la primera
persona sacada debe ser la que lance un globo lleno de agua, la segunda tiene
que atraparlo, la tercera es quien lo revienta (si an sigue intacto), y la cuarta es
quien trata de colectar el agua en un vaso. Si John es un lanzador terrible pero
Perna es buena lanzando, sera mejor para el equipo que saliera Perna, Lee,
John, Tosho (para que Perna lance a Lee) que John, Perna, Tosho, Lee (John
lance a Perna). El orden importara.
Ejemplo
Problema Una bolsa contiene 5 canicas, de color blanco, rojo, azul,
prpura y verde. Encuentra el tamao del espacio muestral si
sacas dos canicas, sin devolverlas, de dos maneras: 1) El orden
importa. 2) El orden no importa.
Primera sacada Enlistar las

W R B P G posibilidades de la
primer sacada,
usamos slo las
iniciales de los
colores (como son
todas distintas)
Primera sacada Ahora suma la
W R B P G segunda sacada.
Segunda W RW BW PW GW Como primero
sacada vamos a pensar
R WR BR PR GR
cuando el orden
B WB RB PB GB importa, slo aade
P WP RP BP GP la segunda sacada
despus de la
G WG RG BG PG
primera. Recuerda
que esto es sin
Espacio muestral (el orden importa): {RW, BW,
reemplazo, por lo
PW, GW, WR, BR, PR, GR, WB, RB, PB, GB,
que no puedes
WP, RP, BP, GP, WG, RG, BG, PG}
repetir un color.
Ahora, cul es la
diferencia cuando el
orden no importa?
WR y RW son el
mismo resultado, al
igual que WB y BW,
etc. En este
diagrama, cada
resultado est
relacionado con su
Espacio muestral (el orden no importa): {RW,
resultado
BW, PW, GW, BR, PR, GR, PB, GB, GP}
equivalente. Como
slo necesitas uno
de cada par, quedan
la mitad de las
soluciones
Solucin
Cuando el orden importa, el espacio muestral
tiene 20 resultados.
Cuando el orden no importa, el espacio muestral
tiene 10 resultados.
Cuando formamos grupos en los que el orden no importa, los grupos se llaman
combinaciones. Cuando formamos grupos en los que el orden s importa, los
grupos se llaman permutaciones. Recuerda con permutaciones, posicin (orden)
importa.
Tamao de Muestra y el Principio Fundamental de Conteo
Como la muestra y el tamao del evento es lo que usamos para encontrar

probabilidades, es til saber exactamente cuntas combinaciones o
permutaciones son posibles. Esta es una forma de pensar en ello, usando el
Principio Fundamental de Conteo, que dice que el nmero de resultados en un
espacio muestral es el producto del nmero de resultados para cada elemento.
Empecemos con las permutaciones, cuando el orden importa. Supongamos que

tenemos n objetos de donde escoger (n canicas en la bolsa, o n invitados en una
fiesta, por ejemplo).
La primera sacada tiene una opcin de n objetos

Para cada uno de esos n objetos, existen n 1 opciones para la segunda
sacada. Usando el Principio Fundamental de Conteo, es significa que hay n
(n 1) resultados para escoger dos cosas.
Ahora, para esos n (n 1) resultados, se puede tener una tercera opcin
de los n 2 objetos que restan. Usando de nuevo el Principio Fundamental de
Conteo, hay n (n 1) (n 2) resultados posibles para 3 sacadas.
Ves a dnde va esto? Nota que el ltimo factor resta uno menos que el nmero
total de objetos elegidos. Para encontrar el nmero de opciones para sacar el k-
simo objeto, multiplica los resultados anteriores por n (k 1). Otra forma de
escribir n (k 1) es n k + 1.
Permutaciones
Cuando elegimos k de n objetos y el orden importa, el nmero de
permutaciones es
El smbolo "..." significa continuar de la misma manera. En este caso, significa
que se contine multiplicando por el siguiente nmero completo menor,
por n k + 1.
Para las combinaciones, el orden no importa. Cmo cambia esto el nmero de

resultados? El nmero de permutaciones que se vuelven la misma cuando el
orden ya no importa es el nmero de maneras distintas de arreglar objetos en un
grupo.
Piensa en un grupo de 3 letras. ABC. En una permutacin, ABC y CAB son

resultados distintos, pero en una combinacin, estos resultados son el mismo.
Cuntas maneras diferentes hay de ordenar las letras A, B, y C? Es decir,
cuntas permutaciones hay para este grupo en particular?
ABC ACB
BAC BCA
CAB CBA
Existen 6 maneras de ordenar estas letras. Lo que estamos haciendo es

encontrando el nmero de permutaciones de 3 objetos cuando elegimos los 3 (n =
3 y k = 3). Entonces, usando la frmula proporcionada arriba, existen 3 2 1 = 6
resultados. Que son los mismos que los resultados de la lista.
En el ejemplo de las canicas, tenamos 2 objetos en cada grupo, entonces para

cada par de canicas, haba 2 1, o 2, maneras de ordenarlas. Slo necesitbamos
una para cada par, por lo que el nmero de combinaciones ere el nmero de
permutaciones dividido entre 2. En el ejemplo de las letras, como existen 6
maneras de ordenar 3 objetos, cuando encontramos las combinaciones de tres
slo necesitbamos una representativa para esas 6 formas. Podemos dividir el
nmero de permutaciones entre 6 y obtener el nmero de combinaciones.
Esto es vlido en general: Para encontrar el nmero de combinaciones

de k objetos tomados de n objetos, dividir el nmero de permutaciones de
escoger k de n objetos entre el nmero de permutaciones para
escoger k de k objetos.
Combinaciones
Cuando escogemos k de n objetos en un orden que no importa, el nmero de
combinaciones es el nmero de permutaciones para k de n objetos dividido
entre el nmero de permutaciones para escoger k de k objetos:
Tamao de Muestra y Factoriales
Existe una forma ms fcil de escribir frmulas de permutaciones y

combinaciones, usando una idea llamada factoriales. Un factorial es el producto
de todos los nmeros completos desde 1 hasta un nmero dado. El smbolo !
despus de un nmero es usado para representar este producto, Por ejemplo, 3! =
3 2 1, y 7! = 7 6 5 4 3 2 1. Entonces, en general, n! = n (n 1) 2
1. Nota especial: 0! se define como 1.
La frmula del nmero de permutaciones empieza como n!, pero termina con
(n k + 1) en lugar de 1. Necesitamos eliminar los factores de (n k) a 1 del
producto. Podemos hacer eso dividiendo entre (n k)!
Entonces, para las combinaciones, dividimos el resultado entre k (k 1) 2

1, o k.
Usando Factoriales
Cuando escogemos k de n objetos, podemos usar las siguientes frmulas:
Nmero de permutaciones =
Nmero de combinaciones =
Muchas calculadoras tienen la tecla o el comando factorial (!). Para encontrar el
nmero de permutaciones de escoger 20 de 24 objetos, teclear 24! 4! es ms
rpido y fcil que 24 23 23 21 20 19 18 17 16 15 14 13 12 11
10 9 8 7 6 5. (Aunque, si slo se hacen 4 elecciones, sera ms fcil teclear
24 23 22 21.)
Probemos estas frmulas en un problema. Primero, usaremos el Principio

Fundamental de Conteo.
Ejemplo
Problema Una organizacin de una escuela tiene 30 miembros. Cuatro
miembros sern escogidos al azar para una entrevista con el
peridico de la escuela sobre el grupo. Cuntos grupos de 4
personas son posibles?
Primero decidir si esta situacin es
combinacin una permutacin o una combinacin
No existe ninguna razn para que

una persona sea considerada
distinta de otra, por lo que esto es
una combinacin.
Existen 30 posibilidades para la
primera sacada. Luego 29
posibilidades para la segunda
persona, 28 para la tercera, y 27
para la cuarta. El Principio
Fundamental de Conteo dice que
debemos multiplicar estos
resultados para obtener el nmero
de posibilidades
Sin embargo, ese producto nos da el
nmero de permutaciones, cuando
el orden importa. Necesitamos tomar
todos los posibles arreglos de 4
personas en particular y usar slo
una representacin de cada uno.
Para cuatro personas, existen 4

opciones para enlistar a la primera,
3 para la segunda, 2 para la tercera,
y slo 1 opcin para la cuarta. El
Principio Fundamental de Conteo
nos dice cuntas veces un grupo de
4 personas aparecer en la lista de
permutaciones
Dividir entre el producto que resulta

del Principio Fundamental de
Conteo
Solucin Existen 27,405 posibles grupos
diferentes de 4 personas a partir de
30 miembros!
Ahora resolveremos el mismo problema con la frmula factorial:

Ejemplo
Problema Una organizacin de una escuela tiene 30 miembros. Cuatro
miembros sern escogidos al azar para una entrevista con el
peridico de la escuela sobre el grupo. Cuntos grupos de 4
personas son posibles?
Primero decidir si esta
combinacin situacin es una
permutacin o una
combinacin
No existe ninguna razn

para que una persona sea
considerada distinta de
otra, por lo que esto es una
combinacin.
La frmula factorial para las
combinaciones es
En este caso, estamos

escogiendo 4 de 30
miembros, entonces n = 30
y k = 4.
Solucin Existen 27,405 posibles grupos

diferentes de 4 personas a partir de 30
miembros!
Ambos mtodos producen la misma respuesta.21
Un grupo de 8 amigos estn jugando un juego de mesa en el cual los jugadores
21
http://www.disfrutalasmatematicas.com/combinatoria/combinaciones-permutaciones.html
compiten para llegar primero a la ltima casilla de un tablero. Los amigos van a
reconocer al primer, segundo y tercer lugar. Cuntas maneras diferentes hay
de que los 8 amigos tomen esos lugares?
A) 6
B) 56
C) 336
D) 40,320
4.2.3 FORMULA DE BAYES

El teorema de Bayes, en la teora de la probabilidad, es una proposicin
planteada por el filsofo ingls Thomas Bayes (1702-1761)1 en 1763,2 que expresa
la probabilidad condicional de un evento aleatorio A dado B en trminos de la
distribucin de probabilidad condicional del evento B dado A y la distribucin de
probabilidad marginal de slo A.
En trminos ms generales y menos matemticos, el teorema de Bayes es de
enorme relevancia puesto que vincula la probabilidad de A dado B con la
probabilidad de B dado A. Es decir, por ejemplo, que sabiendo la probabilidad de
tener un dolor de cabeza dado que se tiene gripe, se podra saber (si se tiene
algn dato ms), la probabilidad de tener gripe si se tiene un dolor de cabeza.
Muestra este sencillo ejemplo la alta relevancia del teorema en cuestin para la
ciencia en todas sus ramas, puesto que tiene vinculacin ntima con la
comprensin de la probabilidad de aspectos causales dados los efectos
observados.
Sea un conjunto de sucesos mutuamente excluyentes y exhaustivos, y tales
que la probabilidad de cada uno de ellos es distinta de cero (0). Sea B un suceso
cualquiera del que se conocen las probabilidades condicionales . Entonces, la
probabilidad viene dada por la expresin:

dnde:
son las probabilidades a priori,
es la probabilidad de en la hiptesis ,
son las probabilidades a posteriori. 22
4.2.4 ARBOL DE DESICIONES

Un rbol de decisin1 es un modelo de prediccin utilizado en diversos mbitos
que van desde la inteligencia artificial hasta la Economa. Dado un conjunto de
datos se fabrican diagramas de construcciones lgicas, muy similares a los
sistemas de prediccin basados en reglas, que sirven para representar y
categorizar una serie de condiciones que ocurren de forma sucesiva, para la
resolucin de un problema.
Vamos a explicar cmo se construye un rbol de decisin, para ello vamos a hacer
hincapi en varios aspectos
22
http://www.ugr.es/~jsalinas/bayes.htm
Elementos de un rbol de decisin
Los rboles de decisin estn formados por nodos, vectores de nmeros, flechas y
etiquetas.
Cada nodo se puede definir como el momento en el que se ha de tomar una

decisin de entre varias posibles, lo que va haciendo que a medida que
aumenta el nmero de nodos aumente el nmero de posibles finales a los que
puede llegar el individuo. Esto hace que un rbol con muchos nodos sea
complicado de dibujar a mano y de analizar debido a la existencia de
numerosos caminos que se pueden seguir.
Los vectores de nmeros seran la solucin final a la que se llega en
funcin de las diversas posibilidades que se tienen, dan las utilidades en esa
solucin.
Las flechas son las uniones entre un nodo y otro y representan cada accin
distinta.
Las etiquetas se encuentran en cada nodo y cada flecha y dan nombre a
cada accin.
En los rboles de decisin se tiene que cumplir una serie de reglas.
1. Al comienzo del juego se da un nodo inicial que no es apuntado por ninguna

flecha, es el nico del juego con esta caracterstica.
2. El resto de nodos del juego son apuntados por una nica flecha.
3. De esto se deduce que hay un nico camino para llegar del nodo inicial a
cada uno de los nodos del juego. No hay varias formas de llegar a la misma
solucin final, las decisiones son excluyentes.
En los rboles de decisiones las decisiones que se eligen son lineales, a medida
que vas seleccionando entre varias opciones se van cerrando otras, lo que implica
normalmente que no hay marcha atrs. En general se podra decir que las normas
siguen una forma condicional: Opcin 1->opcin 2->opcin 3->Resultado Final X
Estas reglas suelen ir implcitas en el conjunto de datos a raz del cual se
construye el rbol de decisin.
Ejemplo de rbol de decisin

En este rbol de decisin podemos observar como hay cuatro posibles soluciones
finales. En l se cumplen las normas antes descritas (nodo inicial, una nica flecha
por nodo y un nico camino para llegar a cada nodo final) y tiene todos los
elementos antes descritos (nodos, vectores de nmeros, flechas y etiquetas). La
imagen representa un rbol de decisin conformado por dos jugadores, en l se
pueden observar las opciones que El juego cuenta con dos jugadoras. La primera
decisin la ha de tomar la jugadora 1, quien debe decidir entre O1 y O2, en este
punto ser la jugadora 2 quien decida. Si la Jugadora 1 ha elegido O1, tendr que
decidir entre A1 y R1, A1 le producir una utilidad de 2, y R1 de 0, a su vez A1 le
reportar una utilidad de 8 a la jugadora 1 y R1 de 0. En cambio, si la jugadora 1
elige O2, la jugadora 2 deber elegir entre A2 y R2, la primera opcin le reportar
una utilidad de 5 a ella y a la otra jugadora, R2 reportar una utilidad de 0 a las
dos. Con los adecuados mtodos de induccin existentes se podra resolver este
rbol de decisin sin mucha complicacin.
Los rboles de decisin en Teora de juegos[editar]

Un juego en forma extensiva.
Un rea donde son aplicados los rboles de decisin es la Teora de juegos, esta
utiliza modelos para estudiar interacciones de estructuras formalizadas de
incentivos. Es muy utilizada en diversos
campos: economa, poltica, biologa, sociologa, psicologa, filosofa y ciencias de
la computacin entre otras. En la teora de juegos los rboles de decisin son
utilizados en la llamada forma extensiva, que modeliza los juegos que presentan
algn orden. En ellos siempre hay un nodo inicial del que salen varias flechas que
apuntan a otros nodos y se reproduce la metodologa antes explicada llegando
cada rama a un vector de nmeros. Tambin es posible que los juegos de forma
extensiva modelen juegos simultneos, estos se representan con una lnea
discontinua entre los nodos que ha de elegir un jugador sin saber de antemano la
opcin escogida por el otro, tomando este un vector de decisiones anticipado sin
saber en cual de esos nodos estar, el ejemplo clsico sera el del juego piedra,
papel o tijera.
Acciones simultneas en rboles de decisin
rbol de decisin del juego 'Piedra, papel o tijera'

Un tipo de variante de los rboles de decisin seran los que ataen a los juegos
simultneos.
Los juegos simultneos son aquellos juegos en los que los jugadores toman la
decisin a la vez, y por tanto ninguno de ellos sabe qu decisin ha tomado el otro
antes de elegir. Un ejemplo de este tipo de juegos sera el de Piedra, papel o tijera.
En el que los jugadores del mismo han de escoger una de esas tres opciones sin
saber cul de ellas escogern el resto.
En los rboles de decisin esto se representa aadiendo una variante a los antes
descritos, como el jugador nmero dos no sabe en qu nodo se encuentra, por lo
que podra encontrarse en cualquiera de ellos, estos estn unidos por una lnea
discontinua, mostrando la incapacidad de este de saber en qu nodo esta. Por lo
que su decisin ser totalmente independiente de la escogida por el otro jugador.
rboles de decisin en el diseo de aplicaciones informticas
En el diseo de aplicaciones informticas, un rbol de decisin indica las acciones
a realizar en funcin del valor de una o varias variables. Es una representacin en
forma de rbol cuyas ramas se bifurcan en funcin de los valores tomados por las
variables y que terminan en una accin concreta. Se suele utilizar cuando el
nmero de condiciones no es muy grande (en tal caso, es mejor utilizar una tabla
de decisin).
rbol de decisin
De forma ms concreta, refirindonos al mbito empresarial, podemos decir que
los rboles de decisin son diagramas de decisiones secuenciales nos muestran
sus posibles resultados. Estos ayudan a las empresas a determinar cules son sus
opciones al mostrarles las distintas decisiones y sus resultados. La opcin que
evita una prdida o produce un beneficio extra tiene un valor. La habilidad de crear
una opcin, por lo tanto, tiene un valor que puede ser comprado o vendido. 23
5 TOMA DE DESICONES EN CONDICIONES DE

INCERTIDUMBRE.
5.1 CRITERIO DE WALD
23
https://www.lucidchart.com/pages/es/qu%C3%A9-es-un-diagrama-de-%C3%A1rbol-de-decisi%C3%B3n
Este criterio recibe tambin el nombre de criterio maximin, y corresponde a un
pensamiento pesimista, pues razona sobre lo peor que le puede ocurrir a quien
decida cuando elige una alternativa.
Partiendo de un ejemplo hipottico para adquirir terrenos y construir algn

aeropuerto, se tiene la siguiente tabla que muestra las retribuciones obtenidas
junto con los niveles de seguridad de las diferentes alternativas:
La alternativa ptima segn el criterio de Wald sera no comprar ninguno de los

terrenos, pues proporciona el mayor de los niveles de seguridad.
Crtica
En ocasiones, el criterio de Wald puede conducir a decisiones poco adecuadas.

Por ejemplo, consideremos la siguiente tabla de decisin, en la que se muestran
los niveles de seguridad de las diferentes alternativas.
El criterio de Wald seleccionara la alternativa a2, aunque lo ms razonable parece

ser elegir la alternativa a1, ya que en el caso ms favorable proporciona una
ganancia mucho mayor, mientras que en el caso ms desfavorable la ganancia es
similar.24
5.2 CRITERIO HURWUICZ
Se trata de un criterio intermedio entre el criterio de Wald y el criterio maximax.

Dado que muy pocas personas son tan extremadamente pesimistas u optimistas
como sugieren dichos criterios, Hurwicz (1951) considera que el decisor debe
24
Fuente: Apunte de Microeconoma de la FCA, UNAM.
http://tareasuniversitarias.com/criterio-de-wald.html
ordenar las alternativas de acuerdo con una media ponderada de los niveles de
seguridad y optimismo:
donde es un valor especfico elegido por el decisor y aplicable a cualquier

problema de decisin abordado por l, por lo que T(ai) = si + (1-oi. As,
la regla de decisin de Hurwicz resulta ser:
Los valores de prximos a 0 corresponden a una pensamiento optimista,

obtenindose en el caso extremo =0 el criterio maximax.
Los valores de prximos a 1 corresponden a una pensamiento pesimista,

obtenindose en el caso extremo =1 el criterio de Wald.
ELECCIN DE
Para la aplicacin de la regla de Hurwicz es preciso determinar el valor de , valor

propio de cada decisor. Dado que este valor es aplicable a todos los problemas en que
el decisor interviene, puede determinarse en un problema sencillo, como el que se muestra a
continuacin, y ser utilizado en adelante en los restantes problemas que involucren al decisor.
Estados de la
naturaleza
Alternativas e1 e2 si oi S(ai)
a1 1 0 0 1 1-
a2
Si las alternativas a1 y a2 son indiferentes para el decisor, se tendr 1- = , por lo
que = 1-. Por tanto, para determinar el decisor debe seleccionar
repetidamente una alternativa en esta tabla, modificando el valor de en cada
eleccin, hasta que muestre indiferencia entre ambas alternativas.
EJEMPLO
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las
recompensas obtenidas junto con la media ponderada de los niveles de optimismo
y pesimismo de las diferentes alternativas para un valor =0.4:
Alternativas Estados de la Naturaleza
Terreno Aeropuerto en
comprado Aeropuerto en B
A si oi S(ai)
A 13 -12 -12 13 3
B -8 11 -8 11 3.4
AyB 5 -1 -1 5 2.6
Ninguno 0 0 0 0 0
La alternativa ptima segn el criterio de Hurwicz sera comprar la parcela en la

ubicacin B, pues proporciona la mayor de las medias ponderadas para el valor
de seleccionado.
El criterio de Hurwicz puede conducir en ocasiones a decisiones poco razonables, como se muestra
en la siguiente tabla:
Estados de la
naturaleza
Alternativas e1 e2 ... e50 si oi S(ai)

a1 0 1 ... 1 0 1 1-
a2 1 0 ... 0 0 1 1-
Segn el criterio de Hurwicz ambas alternativas son equivalentes, aunque
racionalmente la alternativa a1 es preferible a la alternativa a2. Ms an, si el
resultado de la eleccin de la alternativa a2cuando la naturaleza presenta el
estado e1 fuese 1.001, se seleccionara la segunda alternativa, lo cual parece poco
razonable.25
5.3 CRITERIO DE LAPLACE
Este criterio, propuesto por Laplace en 1825, est basado en el principio de

razn insuficiente: como a priori no existe ninguna razn para suponer que un
estado se puede presentar antes que los dems, podemos considerar que todos
los estados tienen la misma probabilidad de ocurrencia, es decir, la ausencia
de conocimiento sobre el estado de la naturaleza equivale a afirmar que todos los
estados son equiprobables. As, para un problema de decisin con n posibles
estados de la naturaleza, asignaramos probabilidad 1/n a cada uno de ellos.
25
http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/hurwicz.htm
Una vez realizada esta asignacin de probabilidades, a la alternativa ai le
corresponder un resultado esperado igual a:
La regla de Laplace selecciona como alternativa ptima aquella que proporciona un mayor
resultado esperado:
EJEMPLO
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra los resultados
esperados para cada una de las alternativas.
Alternativas Estados de la Naturaleza
Terreno
comprado Aeropuerto en A Aeropuerto en B Resultado
esperado
A 13 -12 0.5
B -8 11 1.5
AyB 5 -1 2
Ninguno 0 0 0
En este caso, cada estado de la naturaleza tendra probabilidad ocurrencia 1/2. El

resultado esperado mximo se obtiene para la tercera alternativa, por lo que la
decisin ptima segn el criterio de Laplace sera comprar ambas parcelas.
La objecin que se suele hacer al criterio de Laplace es la siguiente: ante una

misma realidad, pueden tenerse distintas probabilidades, segn los casos
que se consideren. Por ejemplo, una partcula puede moverse o no moverse, por
lo que la probabilidad de no moverse es 1/2. En cambio, tambin puede
considerarse de la siguiente forma: una partcula puede moverse a la derecha,
moverse a la izquierda o no moverse, por lo que la probabilidad de no moverse es
1/3.
Desde un punto de vista prctico, la dificultad de aplicacin de este criterio reside

en la necesidad de elaboracin de una lista exhaustiva y mutuamente
excluyente de todos los posibles estados de la naturaleza.
Por otra parte, al ser un criterio basado en el concepto de valor esperado, su

funcionamiento debe ser correcto tras sucesivas repeticiones del proceso de toma de decisiones.
Sin embargo, en aquellos casos en que la eleccin slo va a realizarse una vez, puede conducir a
decisiones poco acertadas si la distribucin de resultados presenta una gran dispersin, como se
muestra en la siguiente tabla:
Estados de la Naturaleza
Resultado
Alternativas e1 e2
esperado
a1 15000 -5000 5000
a2 5000 4000 4500
Este criterio seleccionara la alternativa a1, que puede ser poco conveniente si la
toma de decisiones se realiza una nica vez, ya que podra conducirnos a una
prdida elevada.26
26
http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/laplace.htm
BIBLIOGRAFIA:
murdicck robert, sistemas de informacin administrativa. editorial prentice-hall
hispanoamrica, s.a. mxico.
terry & franklin, principios de administracin. editorial paazo s.r.l., caracas, venezuela
http://www.corazondejesusza.net/apuntes/economia_2bto/ejercicios/matriz_decision
%204.pdf
5.4 CRITERIO IJ SAVAGE
En 1951 Savage argumenta que al utilizar los valores xij para realizar la eleccin,
el decisor compara el resultado de una alternativa bajo un estado de la naturaleza
con todos los dems resultados, independientemente del estado de la naturaleza
bajo el que ocurran. Sin embargo, el estado de la naturaleza no es controlable por
el decisor, por lo que el resultado de una alternativa slo debera ser
comparado con los resultados de las dems alternativas bajo el mismo
estado de la naturaleza.
Con este propsito Savage define el concepto de prdida relativa o prdida de

oportunidad rij asociada a un resultado xij como la diferencia entre el resultado de
la mejor alternativa dado que ejes el verdadero estado de la naturaleza y el
resultado de la alternativa ai bajo el estado ej:
As, si el verdadero estado en que se presenta la naturaleza es ej y el decisor elige

la alternativa ai que proporciona el mximo resultado xij, entonces no ha dejado de
ganar nada, pero si elige otra alternativa cualquiera ar, entonces obtendra como
ganancia xrj y dejara de ganar xij-xrj.
Savage propone seleccionar la alternativa que proporcione la menor de las

mayores prdidas relativas, es decir, si se define ri como la mayor prdida que
puede obtenerse al seleccionar la alternativa ai,
el criterio de Savage resulta ser el siguiente:
Conviene destacar que, como paso previo a la aplicacin de este criterio, se debe
calcular la matriz de prdidas relativas, formada por los elementos rij. Cada
columna de esta matriz se obtiene calculando la diferencia entre el valor mximo
de esa columna y cada uno de los valores que aparecen en ella.
EJEMPLO
Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra la matriz de
prdidas relativas y el mnimo de stas para cada una de las alternativas.
Alternativas
Estados de la Naturaleza
Terreno
comprado Aeropuerto en A Aeropuerto en B
ri
A 0 23 23
B 21 0 21
AyB 8 12 12
Ninguno 13 11 13
El mayor resultado situado en la columna 1 de la tabla de decisin original es 13;

al restar a esta cantidad cada uno de los valores de esa columna se obtienen las
prdidas relativas bajo el estado de la naturaleza Aeropuerto en A. De la misma
forma, el mximo de la columna 2 en la tabla original es 11; restando a esta
cantidad cada uno de los valores de esa columna se obtienen los
elementos rij correspondientes al estado de la naturaleza Aeropuerto en B. Como
puede observarse, el valor ri menor se obtiene para la tercera alternativa, por lo
que la decisin ptima segn el criterio de Savage sera comprar ambas
parcelas.
CRTICA
El criterio de Savage puede dar lugar en ocasiones a decisiones poco razonables. Para
comprobarlo, consideremos la siguiente tabla de resultados:
Estados de la
Naturaleza
e1 e2
Alternativas
a1 9 2
a2 4 6
La tabla de prdidas relativas correspondiente a esta tabla de resultados es la

siguiente:
Estados de la
Naturaleza
e1 e2
Alternativas ri
a1 0 4 4
a2 5 0 5
La alternativa ptima es a1. Supongamos ahora que se aade una alternativa, dando lugar
a la siguiente tabla de resultados:
Estados de la
Naturaleza
e1 e2
Alternativas
a1 9 2
a2 4 6
a3 3 9
La nueva tabla de prdidas relativas sera:
Estados de la
Naturaleza
e1 e2
Alternativas ri
a1 0 7 7
a2 5 3 5
a3 6 0 6
El criterio de Savage selecciona ahora como alternativa ptima a2, cuando antes
seleccion a1. Este cambio de alternativa resulta un poco paradjico: supongamos
que a una persona se le da a elegir entre peras y manzanas, y prefiere peras. Si
posteriormente se la da a elegir entre peras, manzanas y naranjas, esto
equivaldra a decir que ahora prefiere manzanas.27
5.5 VALOR ESPERADO DE LA INFORMACION PERFECTA
Existen algunos problemas de decisiones bajo riesgo que son susceptibles de

agregarles informacin til que describa mejor el problema y haga posible
calcular con mayor confianza las probabilidades de los resultados. Una decisin
deber hacer uso de toda la informacin disponible y relevante al problema.
Vemos un ejemplo sencillo para comprender mejor los conceptos, si se tiene el

problema de tomar la decisin de lanzar al mercado un nuevo producto para la
construccin o bien abandonar esa idea.
27
http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/savage.htm
Como se puede ver en el modelo de rbol de decisiones de ese problema, figura
1, se supone que toda la informacin disponible sobre las posibilidades de xito
fue puesta en juego.
El ejemplo planteado nos dice que el decisor estima que la probabilidad de exito
al lanzar el producto al mercado es de 0.3 y complementariamente la
probabilidad de que no se venda lo suficiente sera de 0.7 .
Sobre la base de un criterio de valor esperado, el anlisis de la decisin sugiere

que sera mejor abandonar el proyecto, sin embargo antes de hacerlo sera
conveniente analizar las posibilidades que existen de evaluar mejor las
posibilidades de xito incorporando ms informacin al modelo.
Esta nueva informacin deber enfocarse a mejorar el proceso de asignacin de

probabilidades y su fuente de informacin deber provenir de un muestreo al
mundo real; en el ejemplo propuesto el decisor podra consultar a una empresa
investigadora de mercados, para que le determine, mediante una encuesta a
algunos de sus consumidores potenciales, si estaran dispuestos a comprar el
producto.
1. Informacin Perfecta.
Con objeto de contar primero con una idea del valor ms alto que podra pagarse
por esa informacin adicional, es conveniente evaluar el problema de decisin
bajo la suposicin que una prediccin perfecta o infalible, fuera hecha. El rbol
de decisiones para esta situacin hipottica se muestra en la figura 2.
Si la prediccin perfecta indica que el nuevo producto ser un xito, entonces se
seleccionara la alternativa de lanzar el producto al mercado, mientras que si se
sabe que fracasar, la decisin ptima ser abandonar el proyecto. Se deber
tener en cuenta que la probabilidad de la prediccin perfecta del xito es la
misma que la supuesta para el xito del producto, dado que los dos eventos estn
perfectamente correlacionados. En esta forma la decisin ptima es seguir
adelante conforme al resultado de usar la prediccin perfecta, el cual tuvo un
valor esperado de 30 unidades de ganancia:
VE(abandonar) = 0 VE(comprar informacin) = 30
La diferencia entre el valor esperado con la informacin disponible (VE/ID) y el

valor esperado con la informacin perfecta (VE/IP) se conoce como el valor
esperado de la informacin perfecta, VE(IP):
VE(IP) = VE/IP - VE/ID = 30 - 0 = 30
Deber notarse que al usar una estrategia de informacin perfecta se tiene una
costo de oportunidad cero, puesto que la decisin ideal ser tomada y por lo tanto
se optimiza el resultado.
El VE(IP) es una cota superior del valor de la informacin, ya que ninguna
puede ser mejor y por lo tanto valer ms que la informacin perfecta.
2 Informacin Imperfecta.
Si la empresa investigadora de mercados est pensando en realizar un muestreo

para estimar las posibilidades de xito del nuevo producto, el costo ms grande
que pudiera asignarse es 30, mismo que puede disminuir en proporcin a la
incertidumbre sobre la veracidad de recomendacin de la empresa, ya que el
muestreo no aporta una informacin perfecta. En la prctica nunca se tiene
acceso a la informacin perfecta, sin embargo el concepto resulta de mucha
utilidad por proporcionar una frontera superior del costo del muestreo. El valor
esperado con informacin imperfecta (VE/II) y el valor esperado de la
informacin imperfecta (VEII) son evaluados de una forma anloga:
VE(II)=VE/II - VE/ID
VE/II podra ser calculado a partir de un rbol de decisiones, Figura 3, cuando

son conocidas las probabilidades apropiadas.
Si suponemos por simplicidad de exposicin, que la empresa investigadora de

mercados slo dar dos tipos de respuestas probables, una buena (B) que anuncia
las buenas perspectivas del mercado hacia el producto y una mala (M)
recomendando abandonar el proyecto, adems deber tenerse en cuenta que esta
informacin tendr un costo de 2 unidades .
La decisin de lanzar el nuevo producto ser tomada despus de conocer el

reporte de la investigacin del mercado. Las probabilidades de xito y fracaso
sern las probabilidades condicionales:
P(E/B), P(E/M), P(F/B), P(F/M).
En el clculo de las anteriores probabilidades ser tambin necesario determinar

previamente las probabilidades: P(B), P(M). Como datos del problema se cuenta
con las probabilidades anteriores, fijadas antes de observar los resultados de la
investigacin del mercado:
P(E) = 0.3 P(F) = 0.7
Por otro lado, la empresa consultora trata de dar realismo a sus estimaciones
fijando las probabilidades de que el informante, la empresa consultora, se
equivoque en sus recomendaciones del proyecto:
P(B/F) = 0.2 ; P(M/E) = 0.1.
En otras palabras, si el lanzamiento resulta un xito entonces la empresa tiene

una probabilidad de 0.9 de hacer una buena recomendacin del proyecto;
mientras que si el lanzamiento resulta un fracaso entonces existe una
probabilidad de 0.8 de atinar en su recomendacin.
Por el teorema de Bayes y por el teorema de la probabilidad completa se tienen

los siguientes resultados:
P(E/B) = [P(B/E) P(E)]/P(B) = 0.9(0.3)/0.41 = 0.27/0.41 = 0.659
P(F/B) = [P(B/F) P(F)]/P(B) = [0.2(0.7)]/0.41 = 0.14/0.41 = 0.341
P(E/M) = [P(M/E) P(E)]/P(M) = 0.1(0.3)/0.59 = 0.03/0.59 = 0.051
P(F/M) = [P(M/F) P(E)]/P(M) = 0.8(0.7)/0.59 = 0.56/0.59 = 0.949
El resultado del anlisis de decisiones con estas probabilidades da un valor

esperado con informacin imperfecta de -0.01 lo cual recomienda abandonar el
proyecto; si la empresa consultora pudiera reducir su propuesta de costo de
muestrear en uno por ciento se tendra un valor esperado positivo como para
seguir adelante con la investigacin del mercado.
A continuacin tenemos un ejemplo para reafirmar los conceptos que se han
mencionado.
EJEMPLO DE APLICACION. Situacin Militar.
Despus de recibir informacin parcial sobre los movimientos de las tropas enemigas a lo largo de
una ruta de combate, un comandante de un batalln de artillera, enfrenta la necesidad de tomar
la decisin de bombardear o no una ruta de combate, siendo el modelo matricial de decisiones el
siguiente:
S1= si S2= no
Movimiento de la tropa?
P(S1)=0.7 P(S2)=0.3
A1 Bombardear 0 4
A2 No bombardear 12 0
Los valores de la matriz son perdidas unitarias, elegidas arbitrariamente. El

comandante puede elegir entre A1 y A2 sin necesidad de informacin adicional, o
el comandante puede enviar una patrulla de reconocimiento para obtener una
informacin adicional, pudiendo entonces suceder tres eventos:
E1 : La patrulla es descubierta con la prdida de 3 unidades.
E2 : La patrulla regresa sin informacin, con una prdida de 0.20 unidades.
E3 : La patrulla regresa reportando las actividades de la tropa enemiga, con una

prdida de 0.20 unidades.
El comandante asigna las siguientes probabilidades condicionales subjetivamente.
P (E1 /S1) = 0.4 P (E1/S2) = 0.2

P (E2 /S1) = 0.1 P (E2 /S2) = 0.8
P (E3 /S1) = 0.5 P (E3 /S2) = 0.0
a) Desarrolle el rbol de decisiones del problema.
b) Determine las probabilidades posteriores (relativas a la lgica de Bayes).
c) Resuelva el rbol de decisiones para determinar la mejor alternativa.
SOLUCION:
a) El rbol de decisiones se establece en la siguiente Figura 5

b) Para encontrar las probabilidades posteriores tenemos:
P(E1) = P(E1/S1) P(S1) + P(E1/S2) P(S2)
P(E1) = ( 0.4 x 0.7 )+( 0.2 x 0.3 )=0.34
P(E2) = P(E2/S1) P(S1) + P(E2/S2) P(S2)
=0.1 x 0.7 + 0.8 x 0.3 =0.31
P(E3) = P(E3/S1) P(S1) + P(E3/S2) P(S2)
=0.5 x 0.7 + 0.0 x 0.3 =0.35

Clculo de las probabilidades condicionales:
P(S1/E1) = [P(E1/S1) P(S1)]/ P(E1) = 0.82
y as de igual manera se calcularon las siguientes probabilidades condicionales:
P(S2/E1) = 0.18
P(S2/E2) = 0.77
P(S2/E3) = 0.00
P(S1/E2) = 0.23
P(S1/E3) = 1.00
c) Al resolver el rbol de decisiones tenemos que aplicar el valor esperado en los

nodos ms distantes y acercarse hasta el nodo raz:
Para la alternativa A1:
VE(A1) = 0(0.7) + 4(0.3) = 1.2
VE(A2) = 12(0.7) + 0(0.3) = 8.4
Para el nodo D2 se tiene:
VE(A1) = 3(0.82) + 7(0.18) = 3.72
VE(A2) = 15(0.82) + 3(0.18) = 12.84
Para el nodo de decisin D3 :
VE(A1) = 0.2(0.23) + 4.2(0.77) = 3.28
VE(A2) = 12.2(0.23) + 0.2(0.77) = 2.96
Finalmente el valor esperado del nodo de decisin D4 :

VE(A1) = 0.2(1.0) + 4.2(0.0) = 0.2
VE(A2) = 12.2(1.0) + 0.2(0.0) = 12.2
Sustituyendo los valores esperados marcados, en los nodos de decisin, se tiene

la siguiente Figura 6.
Obteniendo el valor esperado para el nodo D1:
VE(con informacin)= 3.72 + 0.34 + (2.96)(0.31) + (0.2)(0.35) = 2.25
VE(sin informacin) = 1.2

Por lo tanto, la decisin debe ser no mandar patrulla y bombardear
inmediatamente la ruta.
Problema Propuesto para Cuestionario.
Un ingeniero civil contratista desea escoger la longitud de unos pilotes

prefabricados, los cuales se van a hincar hasta una capa de arena compacta que
tiene la suficiente resistencia para soportar las cargas que le trasmite el pilote; las
longitudes que pueden tener los pilotes son 15 metros o 20 metros; la
profundidad a la que se supone se encuentra la capa resistente es de 15 metros o
bien de 20 metros.
El precio unitario de los pilotes de 15 metros, incluyendo colocacin y transporte

es de 10 millones de pesos y el de 20 metros es de 13 millones de pesos. En
virtud de que se requieren 10 pilotes para la obra, el costo de pilotaje ser de 100
millones de pesos y de 130 millones de pesos respectivamente.
Si se compran pilotes de 15 metros y la profundidad es de 20 metros, se requerir

una inversin extra de siete millones de pesos por cada pilote para hacer las
adecuaciones pertinentes. Se usan pilotes de 20 metros y la profundidad es de 15
metros se requerirn cinco millones de pesos por cada pilote para hacer los
recortes requeridos.
De la experiencia de haber hecho sondeos en la regin donde se realiza la obra,

se supone que la probabilidad de que el manto se encuentre a 15 metros es
P(1)= 0.6, mientras que la probabilidad de que est a 20 metros es P(2)= 0.4.
Por otra parte, para determinar la profundidad del estrato resistente en el terreno
de la obra, existe la posibilidad de realizar un estudio geossmico, el cual debido
a las irregularidades geolgicas del terreno, tiene la posibilidad de registrar
profundidades errneas.
Se puede suponer que los resultados que se obtienen de las pruebas geossmicas
se pueden redondear a 15.0 metros, 17.5 metros y 20.0 metros; el encargado de
las pruebas geossmicas le indica al constructor que las probabilidades
condicionales de observar cada uno de esos valores, dado que realmente fueran
1 y 2 .
P(Zi/1) P(Zi/2)
Z0: la prueba indica 15.0 m 0.6 0.1
P(i) 0.6 0.4
-Obtenga el modelo de rbol de decisiones.
-Calcule las probabilidades posteriores necesarias.
-Resuelva el rbol de decisiones por el criterio del valor esperado. 28
BIBLIOGRAFIA :
Gomez ceja guillermo, planeacin y organizacin de empresas. octava edicin mcgraw hill
Mxico hall richrd h., organizaciones. editorial prentice-hall hispanoamrica, s.a. mxico.
leon orfelio, tomar decisiones difciles. segunda edicin. editorial mcgraw hill. madrid
(espaa).
28
http://www.ingenieria.unam.mx/javica1/ingsistemas2/Decisiones/ValorInformacion.html
5.6 ANALISIS A POSTERIORI
Las expresiones a priori1 (en latn: previo a)23 y a posteriori1 (posterior a) se

utilizan para distinguir entre dos tipos de conocimiento: el conocimiento a priori es
aquel que, en algn sentido importante, es independiente de la experiencia;
mientras que el conocimiento a posteriori es aquel que, en algn sentido
importante, depende de la experiencia.
Por ejemplo, el conocimiento de que no todos los cisnes son blancos es un caso
de conocimiento a posteriori, pues se requiri de la observacin de cisnes
negros para afirmar lo establecido. Los juicios a posteriori se verifican recurriendo
a la experiencia, son juicios empricos, se refieren a hechos. Tienen una validez
particular y contingente. Ejemplos: los alumnos de filosofa son aplicados, los
ancianos son tranquilos. En cambio, el conocimiento de que ningn soltero es
casado no requiere de ninguna investigacin para ser establecido como
verdadero, por lo que es un caso de conocimiento a priori.
Tradicionalmente, el conocimiento a priori se asocia con el conocimiento de
lo universal y necesario, mientras que el conocimiento a posteriori se asocia con lo
particular y contingente. Como la experiencia sensorial en la que generalmente se
basan las justificaciones de las proposiciones a posteriori no siempre es confiable,
estas proposiciones pueden rechazarse sin caer en contradicciones. Sin embargo,
y especialmente a partir del trabajo de Saul Kripke, actualmente se debate la
posibilidad del conocimiento contingente a priori y el conocimiento necesario a
posteriori.
En su momento esta tesis supuso una revolucin, comparable a la revolucin de
Coprnico que traslad el centro del universo de la Tierra al Sol. De la misma
forma, el conocimiento es humano, sujeto a sus condiciones trascendentales, que
no puede superar e ir ms all del campo de la experiencia. La metafsica no es
posible como ciencia.
Para el filsofo matemtico teutn, Gottfried Leibniz, las verdades de razn,
verdades eternas o primeras verdades son a priori; lo a priori quiere decir para
este pensador, la posibilidad de su verdad, las condiciones que hacen de
las vrits de raison, verdades eternas e intemporalmente vlidas, en contraste a
las vrits de fait, actuales, del presente y contingentes, que son a posteriori. 4
En realidad, lo que Kant pretende es justificar la existencia del conocimiento
cientfico, consolidado ya como ciencia moderna con la fsica de Newton. Cmo
es posible que podamos afirmar, con garanta de verdad universal y necesaria, las
leyes cientficas?
Segn Kant, los juicios sintticos a priori no son posibles en la metafsica, pero s
en las matemticas y en la parte racional de la fsica. El propio Kant pone los
siguientes ejemplos: 4 + 3 = 7, la lnea recta es la distancia ms corta entre
dos puntos, la cantidad de materia del universo se mantiene invariable, en
todo movimiento accin y reaccin son siempre iguales. Tambin los juicios
sintticos tienen que ver con la lgica; ejemplo: suba para arriba, salga para
afuera.29
29
http://quesignificado.com/a-priori/ A priori en QueSignificado
2. Volver arriba http://deconceptos.com/general/a-priori Concpeto A priiori deConceptos
3. Volver arriba Ferrater Mora, Jos. Diccionario de Fiosofa, reimpresin 2001
5.7 ANALISIS PRE A POSTERIORI
TOMA DE DECISIONES CON PROBABILIDADES A

POSTERIORI
ANALISIS BAYESIANO
Se combina los datos previos ( probabilidades a priori) con datos muestrales
o de prueba, utilizando la frmula desarrollada por BAYES.
Con frecuencia lo TD tienen estimaciones preliminares o previas de
las probabilidades de los estados de la naturaleza p( Sj).
Sin embargo a fin de adoptar la mejor decisin ; es posible que el TD
pretenda obtener informacin adicional sobre los estados de la naturaleza
con el propsito de actualizar las probabilidades previas. A la nueva informacin
se le llama INFORMACION MUESTRAL.
A la informacin nueva combinada con la probabilidad previa medio

ante el procedimiento BAYESIANO se le llama probabilidad posteriori o
modificada. A la nueva informacin se le llama indicador (I
k) o informacin muestral.
Para el proceso bayesiano se utiliza: o P( I k/ Sj) probabilidad condicional que

indica que ocurre I k dado que ocurrio S j que por lo general se conoce por datos
histricos. Segn la ley de BAYES
El anlisis Bayesiano se puede realizar en un rbol de decisin.

Un rbol de decisin proporciona una grfica de la progresin de las
Decisiones Y los eventos aleatorios.
UTILIDAD Y PREFERENCIA EN LA TOMA DE DECISIONES
Existen situaciones en las que la alternativa de decisin con el mejor

valor monetario esperado no es la decisin ms deseable. Se entiende por
decisin ms deseable la que prefiere adoptar el decisor considerando no solo
el valor monetario si no tambin muchos otros factores, como la posibilidad
de obtener una ganancia enorme o de incurrir en una perdida muy grande.
Son numerosos los ejemplos. Existen casos donde en los que elegir la
alternativa de decisin con el mejor valor monetario esperado puede no
conducir a la eleccin de la alternativa preferible en estas
circunstancias se debe expresar el valor de un resultado en trminos de
utilidad y luego obtener la utilidad esperada para identificar la decisin ms
deseable; siendo aquella que tenga la mayor utilidad esperada .
BOBLIOGRAFA
http://www.monografias.com/trabajos15/analisisdecision/analisis
-
decision.shtmlhttp://www.buenastareas.com/ensayos/ModeloDeDecisionesConProbabilidada/451378.html

Deciones

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Deciones

Transféré par

Droits d'auteur :

Formats disponibles

PRESENTA : YAIR PABLO ROMAN ROMAN

1.2 EL PROCESO EN LA TOMA DE DECISIONES

1.3 SISTEMAS ORGANIZACIONALES EN LA TOMA DE

1.4 DISEMINACION DE LA TOMA DE DECISIONES

1.5 UNIDAD BASICA DE COMPORTAMIENTO

1.6FACTORES EN LA TOMA DE DECISIONES

1.7DIMENSIONES EN LA TOMA DE DECISIONES

2.1 DEFINICION Y NATURALEZA

2.2 MATRIZ DE DECISIONES

2.3 OPCIONES EN LA TOMA DE DECISIONES

2.4 TIPOS DE DECISIONES

2.5 ANALISIS DE LA INFORMACION

2.5.2 TIPOS DE ESCALA

2.5.3 DISTRIBUCIONES DE FRECUENCIA

2.5.4 TECNICAS DE REPRESENTACION GRAFICA

2.6 HERRAMIENTA CONTABLE PARA LA TOMA DE DECISIONES

2.6.1 LOS ESTADOS FINACIEROS PARA CASOS PRACTICOS

2.7 CRITERIOS DE REALISMO

3 LA TOMA DE DECISIONES EN CONDICIONES DE

3.1 PROGRMA LINEAL.

3.1.1 CONCEPTOS BASICOS

3.1.4 SOLUCIONES ALGEBRAICA

3.1.5 METODO SIMPLE

3.1.6 MODELO DUAL

3.1.7 MODELO DE TRANSPORTE

3.1.7.1 FORMULACION DE MODELOS

3.1.7.2 SOLUCIONES FACTIBLES

3.1.7.3 SOLUCIONES PTIMAS.

4 LA TOMA DE DESICIONES EN CONDICINES DE RIESGO

4.1.1 MODELOS DE TENDENCIA CENTRAL

4.1.2 MEDIA MEDIANA Y MODA

4.1.4 DESVIACIONESTANDAR Y LA VARIANZA

4.2.1 PROPIEDADES FORMALES DELAS PROBABILIDADES

4.2.2 COMBINACIONES Y PERMUTACIONES

4.2.3 FORMULA DE BAYES

4.2.4 ARBOL DE LAS DESICIONES.

5 TOMA DE DESICIONES EN CONDICIONES DE INCERTIDUMBRE

5.1 CRITERIO DE WALD

5.2 CRITERIO DE HURWUICS

5.3 CRITERIO DE LAPLACE

5.4 CRITERIO DE I J SAVAGE

5.5 VALOR ESPERADO DE LA INFORMACION PERFECTA

5.6 ANALISIS A POSTERIORI

5.7 ANALISIS PRE A POSTERIORI.

Para explorar hoy en da la investigacin cientfica de la toma de decisiones se

La actividad cognitiva bsica de la toma de decisiones es evaluar cada una de las

La vida nos presenta muchas metas y an ms posibilidades de eleccin.

Alternativas: Son los modos de proceder, opciones, elecciones y

Limitaciones del modelo de utilidad esperada:

Preferencia, transitividad e invariancia de procedimiento: Transgresiones

La satisfaccin es una estrategia prctica, fiable y realista desde el punto de vista

1.1.1 Somos los seres humanos animales racionales?

Las personas frecuentemente no logran alcanzar los estndares de la racionalidad

Precepto fundamental en la psicologa cognitiva es que nuestras acciones estn

Encuadrar implica simplificar y combinar ciertas cantidades y evaluar prdidas y

Papel de las emociones en la valoracin: la paradoja de Alanis.

Papel de las emociones en la valoracin: descuento temporal e inconsistencia

Disponibilidad de la informacin: Cuando tratamos de evaluar la probabilidad de

Toma de decisiones complejas e inciertas:

Toma normal de decisiones adaptables en ambientes complejos e inciertos

Freemont E. Kast: la toma de decisiones es fundamental para el organismo la

Greenwood afirma que la toma de decisiones para la administracin equivale

1.2 El proceso en la toma de decisiones