Tema 01: variable Aleatoria y distribucin de

probabilidades

Bienvenida
Estimados estudiantes, en la presente semana estudiaremos el importante tema: variable
aleatoria y distribucin de probabilidades, que como veremos, nos muestra toda una gama de
valores que pueden ocurrir con base en un experimento. Es casi similar a una distribucin de
frecuencias, sin embargo, en vez de describir el pasado define qu tan probable es que suceda
algn evento futuro. Esencial para un administrador que tiene la tarea de predecir el rumbo de
ciertas acciones relacionadas con su empresa.

Introduccin al tema
Escuchar el siguiente Audio:
00:00
01:54

El dominio de los contenidos y la adquisicin de las

competencias de la primera semana de aprendizaje contribuirn
con tu formacin cientfica y empresarial.
La incertidumbre es el estado de cosas donde se desconoce lo que exactamente va a ocurrir
en el futuro, por existir diferentes posibilidades o sucesos de ocurrencia cuya presencia
dependen del azar.
Por lo general, los entornos de decisin empresarial e institucional se adoptan bajo condiciones
de incertidumbre, por la presencia del azar en dichos entornos; por lo que, la nica posibilidad
de describirlos o explicarlos es a travs de las probabilidades. En esos entornos se presentan
caractersticas que varan y se pueden medir y sus valores son fortuitos, como por ejemplo, las
demandas de diferentes productos o servicios. De all surge el nombre de variables aleatorias,
las mismas que han sido perfectamente definidas y establecido sus tipos y propiedades, que
estudiaremos en esta primera unidad.
Por ello, es importante estudiar las distribuciones de probabilidad y las funciones de distribucin
de los fenmenos aleatorios (variables aleatorias) que forman parte de los entornos de
decisin, o utilizar las funciones de probabilidad tericas que ajusten las situaciones empricas
que se presentan en el mundo de las empresas o instituciones.

De igual modo, es necesario e importante estudiar las propiedades de esperanza y varianza

matemtica de fenmenos aleatorios, ya que una buena descripcin del comportamiento

probabilstico de estos fenmenos, debe estar acompaado de una medida de tendencia

central y de variabilidad, que complemente su mayor y mejor conocimiento.

Aprendizajes esperados
Conozcamos ahora las capacidades y actitudes a desarrollar en
este primer tema:
Capacidad

Define variable aleatoria, discrimina e identifica sus tipos en casos de la vida

real.

Conoce y construye distribuciones de probabilidad y funciones de distribucin

acumulativa de variables aleatorias propias de entornos de decisin.

Calcula e interpreta la esperanza y varianza matemtica de variables

aleatorias, reconociendo sus propiedades como informacin complementaria
previa a la toma de decisiones.

Actitudes
o

Reconoce que en las diferentes actividades econmicas, sociales, productivas,

industriales, de manejo de recursos humanos, etc., se presentan fenmenos
aleatorios que se pueden conceptualizar como variables aleatorias.

Comprende que muchos fenmenos de diferentes reas productivas, sociales,

educativas y otros, de la vida real, pueden ser modelados con distribuciones de
probabilidad por su comportamiento aleatorio, y por tanto, comprende que
puede usar sus propiedades para describir, explicar o pronosticar su
comportamiento.

Participa activamente en las tutoras virtuales y tareas asignadas cumpliendo el

cronograma establecido.

Observa detenidamente el siguiente esquema, en el encontrars de un vistazo de manera

sintetizada los principales concepto de la temtica que abordaremos. Qu conceptos o
categoras te llaman la atencin?

1.1. Variable Aleatoria: Definicin y Tipos.

1.1.1. Definicin
Objetivos
En cualquier experimento aleatorio, los resultados se presentan al azar; as, a ste se
le denomina variable aleatoria. Por ejemplo, lanzar un dado constituye un
experimento: puede ocurrir cualquiera de los seis posibles resultados.

Algunos experimentos dan resultados de ndole cuantitativa (como dlares,

peso o nmero de nios); otros dan origen a resultados de naturaleza
cualitativa (como el color o la afiliacin religiosa). Cada valor de la variable
aleatoria se relaciona con una probabilidad que indica la posibilidad de un
resultado determinado. (Lind, 2008)

Ejemplos:

Si cuenta el nmero de empleados ausentes en el turno matutino del lunes, el nmero

puede ser 0, 1, 2, 3, El nmero de ausencias es una variable aleatoria.

Si pesa cuatro lingotes de acero, los pesos pueden ser de 2492 libras, 2497 libras,
2506 libras, etc. El peso es una variable aleatoria.

Si se lanza dos monedas y cuenta el nmero de caras, puede caer cero, una o dos
caras. Como el nmero de caras que resulta de este experimento se deb al azar, el
nmero de caras que caen es una variable aleatoria.

Otras variables aleatorias pueden ser el nmero de focos defectuosos producidos por
hora en Cleveland Company, Inc.; la calidad (9, 10, 11 o 12) de los miembros del
equipo de basquetbol femenil de St. James; el nmero de corredores del maratn de
Boston en la carrera 2006 y la cantidad diaria de conductores multados por conducir
bajo la inlfuencia del alcohol en Texas.

1.1.2. Tipos
1.1.2.1. Variable Aleatoria Discreta
Una variable aleatoria es discreta cuando su rango de valores es
un subconjunto de nmeros enteros finito o infinito, por tanto
numerable.

Ejemplos:

X1: N de decisiones que toma por da un funcionario de institucin privada.

X2: Demanda diaria de balones de gas.
X3: N de licitaciones pblicas ganadas por ao
X4: Tamao familiar de aquellas elegidas al azar.
X5: N de usuarios que llegan por da durante el horario de atencin a la ventanilla de un banco.
X6: N de trabajadores que faltan a su centro de trabajo por mes
X7: N de productos defectuosos producidos por periodo de tiempo.
X8: Cartera de nuevos clientes por mes.
X9: Nmero de pedidos por semana

X10: Demanda diaria de solicitudes de crdito por mes en una entidad bancaria.

1.1.2.2. Variable Aleatoria Continua

Una variable aleatoria es continua cuando su rango de valores es un
subconjunto de nmeros reales o infinito no numerable.

Ejemplos:

X1: Ingreso mensual en la SUNAT por concepto de impuestos al extender recibos de honorarios
profesionales.
X2: Demanda diaria de carne de papa en el Mercado de Moshoqueque.
X3: Duracin de la construccin de una obra pblica.
X4: Produccin mensual de arroz en la Regin Lambayeque.
X5: Gasto mensual por concepto de recreacin de la familia chiclayana.
X6: Demanda semanal de combustible en el distrito de Piura.
X7: Tiempo que trabaja por da un funcionario de empresa privada.
X8: Tiempo de vida til en anaquel de la carne de pollo.
X9: Tasa de llegada de un usuario a una ventanilla de institucin bancaria.
X10: Cantidad de electricidad consumida por da por una empresa de produccin de conservas
de frutas.

Problemas resueltos
Problema 1
Se define el siguiente experimento aleatorio:
1: observar el resultado de lanzar 2 dados perfectos
Se define la siguiente variable aleatoria y se pide: hallar su rango y decir si es discreta o
continua.
X1 : suma observada al lanzar 2 dados perfectos.

Solucin
El espacio muestral correspondiente al referido experimento aleatorio es:

= {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6)

(2,1), (2,2), (2,3), (2,4), (2,5), (2,6)
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6)
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6)
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}

Por tanto:

X1(1,1) = 2
X1(1,2) = X1(2,1) = 3
X1(1,3) = X1(2,2) = X1(3,1) = 4
X1(1,4) = X1(2,3) = X1(3,2) = X1(4,1) = 5
X1(1,5) = X1(2,4) = X1(3,3) = X1(4,2) = X1(5,1) = 6
X1(1,6) = X1(2,5) = X1(3,4) = X1(4,3) = X1(5,2) = X1(6,1) = 7
X1(2,6) = X1(3,5) = X1(4,4) = X1(5,3) = X1(6,2) = 8
X1(3,6) = X1(4,5) = X1(5,4) = X1(6,3) = 9
X1(4,6) = X1(5,5) = X1(6,4) = 10
X1(5,6) = X1(6,5) = 11
X1(6,6) = 12

Entonces, el rango S de la variable aleatoria X1 es:

Por tanto, la variable aleatoria X1 es discreta, slo toma valores enteros.

Problema 2
Se define el siguiente experimento aleatorio:
2: observar las horas/hombre perdidas por mes, en una gran empresa donde el costo
hora/hombre semanal de produccin equivale a 1500 soles, laboran 35 personas 8 horas
diarias durante 24 das al mes.
Se define la siguiente variable aleatoria y se pide: hallar su rango y decir si es discreta o
continua.
X2: costo mensual por horas/ hombre perdidas por mes.

Solucin

El espacio muestral correspondiente al referido experimento aleatorio es:

= {x / 0 x 8*24*35} = {x / 0 x 6720 horas hombre perdidas de produccin por mes}
Por tanto:
Se sabe que el costo hora - hombre semanal de produccin equivale a 6000 soles, se labora 6
das por semana durante 8 horas por da; entonces, el costo hora - hombre diario de
produccin es (6000/6) = 1 000 nuevos soles; y el costo hora hombre es (1 000/8) = 125
X2 = {x / 0 x 125*8*24*35 soles mensuales} = {x / 0 x 840 000 soles mensuales}
Entonces, el rango S de la variable aleatoria X3 es:

Adems, la variable aleatoria X2 es continua, puede tomar valores reales.

1.2 Distribucin de Probabilidad y Funcin de

Distribucin.

1.2.1 Distribucin de Probabilidad de variable aleatoria discreta.

La Distribucin de probabilidad o funcin de probabilidad de una variable aleatoria,

es una funcin que asigna a cada valor posible de dicha variable una probabilidad.
La distribucin de probabilidad de una variable aleatoria describe cmo se distribuyen las
probabilidades entre los valores de la variable aleatoria.
En el caso de una variable aleatoria discreta x, la distribucin de probabilidad o funcin de
probabilidad, ms conocida como funcin de cuanta, es denotada por P(x). La funcin de
probabilidad otorga la probabilidad de cada valor de la variable aleatoria. (Anderson &
Sweeney, D, 2010)
Para el caso de variable aleatoria discreta, se tiene que sta puede ser:
a)

Infinita: x1, x2, x3, , xi,

La funcin de probabilidad se define como:

P{ X = xi } = pi 0 ;

b)

i = 1,2,3,

Finita: x1, x2, x3, , xi, ., xn

La funcin de probabilidad se define como:

P{ X = xi } = pi 0 ;

i = 1, 2, 3, , n.

Ejemplo 1
Objetivos

Distribucin de Probabilidad:

A continuacin se presenta la distribucin de probabilidades de la variable aleatoria Nmero

de autos vendidos por mes en la NISSAN Chiclayo observado durante los aos 2012 2014
(36 meses).

Ejemplo 2
Objetivos
Sea X la variable aleatoria definida como el nmero de caras que ocurren al lanzar una moneda
4 veces.
a)

Determinar la distribucin de probabilidades de X. Graficarla.

b)

Calcular la probabilidad P[0 < x 2].

c)

Determinar la distribucin de probabilidades de X si la moneda se lanza n veces ( n 2 ).

Solucin

a)

El rango de la variable aleatoria X, es el conjunto,

. Suponiendo

que los diecisis sucesos elementales del espacio muestral son equiprobables,
la funcin de probabilidad, es descrita por:

f(0) = P[X=0] = P(SSSS) = 1/16

f(1) = P[X=1] = P(SSSC SSCS SCSS CSSS) = 4/16
f(2) = P[X=2] = P(SSCC SCSC SCCS CSSC CSCS CCSS) = 6/16
f(3) = P[X=3] = P(SCCC CCSC CSCC CCCS) = 4/16
f(4) = P[X=4] = P(CCCC) = 1/16
La funcin de probabilidad del nmero de caras se puede describir como tabla (Tabla 4):

y su grfica es:

1.2.2 Distribucin de Probabilidad de variable aleatoria continua

Se dice que la f(x) es funcin de densidad (ley o distribucin) de probabilidad de la

variable aleatoria continua X, si satisface las siguientes condiciones. (Zamora, 2004)

f(x) cumple con:

Notas:

1)
La condicin a) expresa que la grfica de f(x) no tiene puntos por debajo del eje de las
abscisas.
La condicin b), indica que el rea total bajo la curva es igual a 1.
La condicin c) expresa: probabilidad igual a rea. Esto es, si A=[a,b], la
probabilidad
es igual al rea de la regin limitada por la curva, el eje X y las rectas
X=a, X=b, es decir:

2)
No es difcil verificar que si el evento A es cualquier intervalo en la recta real, entonces
P(A), satisface los axiomas de la probabilidad.
3)
Cualquier funcin f(x) que satisfaga slo las condiciones a) y b) no es probabilidad, slo
es probabilidad cuando la funcin de densidad es integrada entre dos lmites.

Ejemplo 1
Sea f(x) una funcin definida en todos los nmeros reales por:

a)
Hallar el valor de la constante c para que, f(x)
sea una funcin de densidad para alguna variable aleatoria X.
b)

Calcular

Solucin

a)

El rea de la Figura adjunta, debe ser igual a 1, entonces:

resultando, . Luego:

Nota
Objetivos
En la asignatura Estadstica Aplicada, pre requisito de la asignatura Toma de Decisiones, usted
ha estudiado las distribuciones de probabilidad de las variables aleatorias continuas ms
conocidas como las distribuciones normal, Chi Cuadrado, t de student, entre otras, cuyos
grficos respectivamente son los siguientes:

1.2.3 Funcin de Distribucin Acumulada de variable aleatoria

discreta
Objetivos

La funcin de distribucin acumulada (f.d.a.) de probabilidades o simplemente funcin de

distribucin, F(x), de la variable aleatoria discreta X, cuya funcin de probabilidad es f(x), se
define por: (Zamora, 2004)

Ejemplo 1
Sea X la variable aleatoria definida como el nmero de caras que resultan al lanzar una
moneda 4 veces.

a)

Hallar la funcin de distribucin F(x) de la variable aleatoria X y graficarla.

b)

Usando F(x), calcular

Solucin
a)
La funcin de probabilidades f(x) de la variable aleatoria X est descrita (ejemplo 2 del
tema Distribucin de Probabilidad), por:
f(0) = 1/16, f(1) = 4/16, f(2) = 6/16, f(3) = 4/16 y f(4) = 1/16.

Entonces,
F(0) = f(0) = 1/16

F(1) = f(0) + f(1) = 1/16 + 4/16 = 5/16

F(2) = f(0) + f(1) + f(2) = 1/16 + 4/16 + 6/16 = 11/16
F(3) = f(0) + f(1) + f(2) + f(3) = 1/16 + 4/16 + 6/16 + 4/16 = 15/16
F(4) = f(0) + f(1) + f(2) + f(3) + f(4) = 1/16 + 4/16 + 6/16 + 4/16 + 1/16 = 1
Por tanto,

La grfica de esta funcin de distribucin, est dada por la siguiente figura:

Ejemplo 2

Tomando los datos del ejemplo anterior, la funcin de distribucin F(x) viene dada en la
siguiente tabla:

As pues la funcin de distribucin para cualquier valor de x quedara de la siguiente forma:

Ejemplo 3

Presentamos un ejemplo de funcin de probabilidad y su respectiva Funcin de distribucin

acumulada:

1.3 Valor Esperado

Objetivos
La media de una variable aleatoria discreta

es el resultado medio terico de un nmero infinito

de ensayos. Podemos considerar esa media como
el valor esperado en el sentido de que constituye el
valor promedio que esperaramos obtener si los
ensayos pudiesen continuar de manera indefinida.
Los usos del valor esperado (tambin se
llama esperanza o esperanza matemtica), que
son extensos y variados, juegan un papel muy
importante en una rea de aplicacin que se
denomina teora de decisin. (Triola, Probabilidad y
Estadstica, 2004).

Valor esperado (de una variable aleatoria discreta): se denota con E y representa el
valor promedio de los resultados. Se obtiene calculando el valor:

Ejemplo 1
Objetivos
Calcular la media de la distribucin de probabilidad de la variable aleatoria X que se define
como el nmero de caras cuando se lanzan cuatro monedas.
Solucin
La distribucin de probabilidad de X se da en la Tabla 6:

La media de X es el nmero:

Esto significa que si una persona lanza 4 monedas, muchas veces, en promedio obtendr dos
caras por lanzamiento.

Ejemplo 2
Suponga que un juego al azar consiste en lanzar un dado y que el jugador puede ganar $7, si
obtiene al menos 5 puntos, o perder 2 dlares en caso contrario.
a)

Cunto espera ganar en el juego el jugador?

b)

Cunto debera ganar para que el juego sea justo?

Solucin

Sea la variable aleatoria Y, la cantidad de dinero que el jugador puede ganar. Entonces los
posibles valores de Y son: $7 si ocurre A={5,6}, con probabilidad 2/6, y -$2 si
ocurre
, con probabilidad 4/6.

a)

El valor esperado de Y es. E(Y)=-2x4/6+7x2/6 = 1.

En consecuencia, si el juego se repite indefinidamente, puede esperarse que el jugador gane

en promedio $1.
b)
El juego es justo si la esperanza es igual a cero, es decir, si los esperados absolutos de
ganar y perder son iguales. Este juego ser justo si el jugador gana slo $4 en el juego.

1.4 Varianza Matemtica

Objetivos
Como se observ, la media constituye un valor tpico para
resumir una distribucin de probabilidad discreta. Sin
embargo, sta no describe el grado de dispersin
(variacin) en una distribucin. La varianza, s lo hace. La
frmula para la varianza de una distribucin de
probabilidad es: (Lind, 2008)

Los pasos
para el
clculo son
los siguientes:

La media se resta de cada valor y la diferencia se

eleva al cuadrado.

Cada diferencia al cuadrado se multiplica por su probabilidad.

Se suman los productos que resultan para obtener la varianza.

La desviacin estndar
, se determina al extraer la raz cuadrada positiva de
decir

; es

Un ejemplo ayudar a explicar los detalles del clculo e interpretacin de la media y desviacin
estndar de una distribucin de probabilidad.

Ejemplo 1

De qu tipo de distribucin se trata?

Cuntos automviles espera vender John un sbado normal?

Cul es la varianza de la distribucin?

Solucin

Se trata de una distribucin de probabilidad discreta para la variable aleatoria

denominada nmero de automviles vendidos. Observar que John slo espera vender
cierto margen de automviles; no espera vender 5 automviles ni 50. Adems no
puede vender medio automvil. Slo puede vender 0, 1, 2, 3 o 4 automviles. As
mismo, los resultados son mutuamente excluyentes, no puede vender un total de 3 y 4
automviles el mismo sbado.

La media de la cantidad de automviles vendidos se calcula al multiplicar el nmero de

automviles vendidos por la probabilidad de vender dicho nmero y sumar luego los
respectivos productos:

Estos clculos se resumen en la siguiente tabla:

Cmo interpretar una media de 2.1?

Este valor indica que a lo largo de una gran cantidad de sbados, John Ragsdale espera
vender un promedio de 2.1 automviles por da. Por supuesto, no es posible vender
exactamente 2.1 automviles un sbado en particular. Sin embargo, el valor esperado se utiliza
para predecir la media aritmtica de la cantidad de automviles vendidos a la larga. Por
ejemplo, si John trabaja 50 sbados en un ao, puede esperar vender 50(2.1) o 105
automviles slo los sbados. Por consiguiente, a veces la media recibe el nombre de valor
esperado.

De nuevo una tabla resulta til para sistematizar los clculos de la varianza que es de
1.290.

Recordar que la desviacin estndar

ejemplo es

, es la raz cuadrada positiva de la varianza. En este

automviles.

Cmo interpretar una desviacin estndar de 1.136 automviles?

Si la vendedora Rita Kirsch tambin vendi un promedio de 2.1 automviles los sbados y la
desviacin estndar en sus ventas fue de 1.91 automviles, concluira que hay ms variabilidad
en las ventas sabatinas de Kirsch que en las de Ragsdale (pues 1.91>1.136).

Preguntas de anlisis

Objetivos
Estimado estudiante, hemos revisado los contenidos referentes a la primera semana, y
con el fin de seguir apoyndote en este proceso de enseanza, te sugiero analices y des
respuesta a las siguientes preguntas:
1. Una variable aleatoria continua puede tomar como valores nmeros enteros?
2. Siempre el dominio de una variable aleatoria es el espacio muestral?
3. Puede el rango de una variable aleatoria tomar valores enteros?
4. Si una variable aleatoria se define como el consumo mensual de energa elctrica, sta es continua o
discreta?
5. La funcin de probabilidad de una variable aleatoria sea discreta o continua, siempre es positiva?

Videos
Video 1
1.1. Con ayuda del siguiente video explicaremos algunas dudas que se hayan
presentado en el concepto y tipologa de variable aleatoria de la primera semana.
https://youtu.be/n0T_HcJ7oak
Con el contenido terico y prctico, citado en el presente video, se consolidan los
aprendizajes relacionados con el concepto de variable aleatoria, su definicin, notacin,
su relacin con el espacio muestral, su tipologa o clasificacin discreta o continua, con
claros ejemplos muy ilustrativos.

Video 2
1.2. Con ayuda del siguiente video explicaremos algunas dudas que se hayan
presentado en el concepto de variable aleatoria discreta de la primera semana.
https://youtu.be/naEqsDvkIXs

Con el contenido terico y prctico, citado en el presente video, se consolidan los

aprendizajes relacionados con el concepto de variable aleatoria discreta, su funcin de
probabilidad o de cuanta, funcin de probabilidad acumulada o funcin de distribucin;
con claros ejemplos muy ilustrativos.

Video 3
1.3. Con ayuda del siguiente video explicaremos algunas dudas que se hayan
presentado en el concepto de variable aleatoria continua de la primera semana.
https://youtu.be/s-hZzqm6nDc
Con el contenido terico y prctico, citado en el presente video, se consolidan los
aprendizajes relacionados con el concepto de variable aleatoria continua, su funcin de
probabilidad o de densidad de probabilidad, funcin de probabilidad acumulada o
funcin de distribucin; con claros ejemplos muy ilustrativos.

Actividad de anlisis y comprensin

Pregunta de Eleccin Mltiple
1. Cul de las siguientes es una variable aleatoria continua?

Recesin

Nuevos soles

Derivados de petrleo.

Produccin mensual de limn en toneladas en el distrito de Olmos.

Demanda diaria de servicios de restaurant en el distrito de Chiclayo.

Pregunta de Eleccin Mltiple

2.

Qu propiedades tiene una funcin de probabilidad?

Siempre es simtrica.

Siempre toma valores mayores o iguales a cero, para todo valor de su dominio.

Siempre tiene un dominio de valores positivos.

Para el caso de una variable aleatoria continua, las probabilidades o regiones bajo la curva de
probabilidad siempre se calculan utilizando integrales con lmites opuestos.

La Funcin de Distribucin casi siempre se deriva a partir de ella.

Pregunta de Eleccin Mltiple

3.

Cul de las siguientes es una variable aleatoria continua?

El nmero de mdicos de determinado hospital.

Estadios de sudamrica.

Gimnasios de Piura

Cuota mensual de pago a la banca local por deudas contradas por parte de microempresarios
chiclayanos.

Edad de una persona, expresada en nmeros fraccionarios o enteros.

Referencias (bibliogrficas)
Anderson, D., & Sweeney, D. (2010). Mtodos Cuantitativos para los Negocios. Mxico:
Cengage Learning Editores, S.A.
Lind, D. A. (2008). Estadstica Aplicada a los Negocios y la Economa. Mxico D. F.: McGrawHill.
Mata, A. D. (2008). Estadstica aplicada a la Administracin y la Economa. Mxico D. F.:
McGraw-Hill.
Triola, M. F. (2004). Estadstica. Mxico D. F.: Pearson Educacin.
Triola, M. F. (2004). Probabilidad y Estadstica. Mxico D. F.: Pearson Educacin.
Zamora, M. C. (2004). Estadstica. Lima: Librera Moshera S. R. L.

Lecturas recomendadas (para ampliar conocimientos de la

primera semana)
Para saber ms
Ponemos a tu disposicin y te invitamos a revisar dos interesantes documentos que te
ayudaran a reforzar y ampliar los temas que hemos estudiado, estos los encontrars en la base
de datos e-libros que utiliza nuestra universidad:

Documento 1: Estadstica para administracin y economa

URL: http://site.ebrary.com/lib/bibsipansp/docDetail.action?
docID=10522957&p00=estadistica%20administracion%20economia

Breve descripcin

Este texto que se encuentra en la Biblioteca Digital de la USS, contiene varios tpicos propios
de la Estadstica Descriptiva, Probabilidades, Variables aleatorias, Distribuciones de
probabilidad, inferencia estadstica, anlisis bayesiano, entre otros.
Se recomienda leer todo lo relacionado a los captulos 6 y 7, que contienen temas sobre
variables aleatorias y sus distribuciones de probabilidad, esperanza y varianza matemtica.
Adems repasar la parte de teora de las probabilidades, que en este caso, constituye
conocimientos prerrequisitos.

Conclusiones de la primera semana

Despus de haber desarrollado los contenidos de la primera semana, podemos

concluir lo siguiente:

La variable aleatoria slo puede tener valores que se deben al azar; por ejemplo el
nmero de unidades vendidas, niveles de produccin diaria, talla de los clientes, etc.

Obtenemos una distribucin de probabilidad enlistando todos los resultados posibles

de un experimento y de la probabilidad asociada a cada resultado; la misma que se la
puede presentar a travs de una tabla, grfico o frmula.

El valor esperado de una variable aleatoria discreta, es la media aritmtica ponderada

de todos los resultados posibles, en la cual los pesos son las probabilidades
respectivas de dichos resultados.

Entonces, no slo hemos definido la variable aleatoria, sino que adems hemos utilizado las
leyes de la probabilidad para analizar la manera en que dichas variables aleatorias se
relacionan con los experimentos.

Metacognicin (de la primera semana)

Las siguientes preguntas te ayudarn a reflexionar sobre tus
propios aprendizajes, es un ejercicio recomendado para razonar
e identificar nuestro esfuerzo intelectual, la finalidad es regular
nuestras acciones y procesos mentales

De la temtica abordada que te llam ms la atencin?

Consideras que aprendiste con los contenidos abordados?

Tuviste dificultad con algn tema o actividad? Cmo los solucionaste?

Qu acciones realizaste para aprender?

Tema 02: Toma de decisiones en situacin de riesgo

Bienvenida
Estimados estudiantes, bienvenidos al interesante tema referido a la toma de decisiones en
situacin de riesgo. Un tema muy importante en el quehacer cotidiano de todo profesional
moderno, quien no slo tiene la necesidad, sino tambin la obligacin de tomar decisiones a
cada momento. Se abordarn los temas: Incertidumbre, riesgo, entornos y estructuras de
problemas de decisin, criterios del valor esperado, de mnima varianza, de la media con
varianza acotada, de la dispersin, de la probabilidad mxima, rboles de decisin. Al finalizar
la semana podrs aplicar teoras y tcnicas para la toma de decisiones en condiciones de
riesgo a situaciones de la vida real.

Introduccin al tema
El problema de la Decisin, motivado por la existencia de ciertos estados de

ambigedad que constan de proposiciones verdaderas (conocidas o desconocidas), es tan

antiguo como la vida misma. Podemos afirmar que todos los seres vivientes, an los ms
simples, se enfrentan con problemas de decisin. As, un organismo unicelular asimila
partculas de su medio ambiente, unas nutritivas y otras nocivas para l. La composicin
biolgica del organismo y las leyes fsicas y qumicas determinan qu partculas sern
asimiladas y cules sern rechazadas.
En el mbito empresarial es muy frecuente que hayamos de decidir una lnea de conducta
existiendo cierto grado de incertidumbre en relacin con el futuro.
Las situaciones de decisin en los que el porcentaje (o probabilidad) de ocurrencia de cada
estado de la naturaleza se conoce (o puede estimarse), se definen como toma de decisin bajo
riesgo. En estos casos el decisor puede estimar el grado de riesgo que el o ella est teniendo
en trminos de distribucin de probabilidad. Por ejemplo, una decisin de no hacer un seguro
de incendios significa que el decisor tiene una esperanza de quizs una entre 10000 de perder
toda su propiedad en un incendio.
Las probabilidades en teora de la decisin podran verse como el resultado de expresar el
juicio (u opinin) del decisor sobre un futuro incierto.
El mtodo ms aceptado para la toma de decisin bajo riesgo es la utilizacin del valor
esperado como criterio de eleccin.

Aprendizajes esperados
Conozcamos ahora las capacidades y actitudes a desarrollar en
este segundo tema:
Capacidad

Define un problema de decisin bajo condiciones de Riesgo sin uso del muestreo.

Disea estructuras de problemas de decisin cuando prevalece la incertidumbre y se

conocen las distribuciones de probabilidad de los estados de la naturaleza (Riesgo) sin
uso del muestreo.

Domina y aplica los criterios estadsticos propios del anlisis a priori sin uso del
muestreo: del valor esperado, de mnima varianza con media acotada, de la
media con varianza acotada, de la dispersin y de la probabilidad mxima.

Aplica la tcnica de los rboles de decisin bajo el entorno de Riesgo sin uso
del muestreo.

Actitudes

Valora la importancia de los criterios estadsticos que facilitan la solucin de problemas

de decisin bajo condiciones de incertidumbre donde se conocen las distribuciones de
probabilidad de los estados de la naturaleza (Riesgo) sin uso del muestreo.

Destaca la importancia de la disminucin de la subjetividad en la toma de decisiones

utilizando mtodos estadsticos, donde se toma en cuenta informacin sobre las
probabilidades de los estados de la naturaleza sin uso del muestreo.

Muestra honestidad, creatividad y responsabilidad en la aplicacin de los criterios

estadsticos expuestos, propios del anlisis apriori.

Participa activamente en las tutoras virtuales y tareas asignadas cumpliendo el

cronograma establecido.

Mapa conceptual referido al tema

Observa detenidamente el siguiente esquema, en l encontrars de un vistazo de manera

sintetizada los principales concepto de la temtica que abordaremos. Qu conceptos o
categoras te llaman la atencin?

2.1 Qu es incertidumbre?, qu es riesgo?

Estudio de Caso
Con el resurgimiento del sector ferroviario en Estados Unidos
a principios de la dcada de 1990 muchas empresas de
ferrocarriles se vieron obligadas a tomar decisiones crticas
que podran ejercer efectos a largo plazo sobre su situacin
financiera. La Tabla 1 muestra a la denominada Tabla de
Pagos de Illinois Central Railroad en su decisin de ampliar y
mejorar su material rodante (coches de viajeros y vagones de
mercancas). Illinois Central tena que decidir entre construir
coches nuevos, renovar los viejos o quiz alquilar coches a
sus competidores. La tabla muestra estas decisiones
alternativas, junto con los pagos resultantes en forma de
beneficios, dados determinados estados naturales. La tabla
revela, por ejemplo, que si Illinois Central decida comprar
material nuevo, experimenta una prdida de 10000 dlares si la economa entraba en recesin.
Tambin se reflejan en la tabla el resto de los pagos. Esta tabla de pagos era esencial para
elegir la decisin que diera el mejor resultado posible con la informacin disponible. (Webster,
2008)

Reflexionemos:

De qu dependen las circunstancias que tienen lugar en el proceso de decisin del

caso presentado?

A qu se denomina Tabla de Pagos?

A qu se denomina Estados de la Naturaleza en el caso presentado? Qu

caractersticas presentan?

Cules son las decisiones alternativas?

Pudo Illinois Center tomar una decisin segura?, por qu?

Todos conocemos la importancia de tomar decisiones empresariales inteligentes y bien

informadas. Cuando existen varias lneas de conducta alternativas, la capacidad de elegir
aquella que optimiza el resultado es crucial para el xito y la supervivencia de la empresa.
Es muy frecuente que hayamos de decidir una lnea de conducta existiendo cierto grado
de incertidumbre en relacin con el futuro. No siempre conocemos el resultado de la decisin
hasta algn tiempo despus de haberla tomado. En muchos casos, el resultado depende en
parte de sucesos aleatorios, denominados estados naturales, que estn ms all de nuestro
control. As por ejemplo, entre esos estados se pueden citar: el tiempo atmosfrico, la evolucin
econmica del pas, la reaccin de nuestros competidores, etc.
El proceso de decisin puede tener lugar en diversas circunstancias que dependen del volumen
de informacin disponible, los estados naturales y la reaccin de cualquier competidor en el
mercado.

Toma de decisiones en condiciones de incertidumbre.

Objetivos
La incertidumbre que rodea a muchas decisiones proviene de nuestra falta de conocimiento del
estado natural que pueda aparecer. El resultado final de una toma de decisin en condiciones
de incertidumbre puede tardar algn tiempo en conocerse, dependiendo del efecto que el
estado natural predominante ejerza en ltimo trmino. Como quien toma la decisin no tiene
ningn control sobre los estados naturales, ha de elegir una de las decisiones alternativas sin
conocer a ciencia cierta su resultado final.

Toma de decisiones en condiciones de riesgo.

Objetivos
La toma de decisiones en situacin de riesgo es muy semejante a la toma de decisiones en
condiciones de incertidumbre. La nica diferencia es que se conocen las probabilidades de los
estados naturales. Por ejemplo, en el caso de Illinois Central las proyecciones econmicas
podan haber llevado a la conclusin de que la probabilidad de una recesin era el 20%, la
probabilidad de una expansin econmica el 50%, y la una economa estable el 30%.

Ejemplo 1
Suponga que tiene un pequeo local de ventas de pinos para Navidad. La primera tarea es
decidir cuntos pinos ordenar para la siguiente temporada. Supngase que se debe pagar $3.5
por cada rbol, se pueden ordenar slo lotes de 100 y se planea venderlos a $8 cada uno. Por
supuesto, si no se venden, no tienen valor de recuperacin. Se estudian los registros de ventas
pasadas en la iglesia y se analiza el crecimiento potencial de las ventas con otros vendedores,
llegando a las siguientes estimaciones para la siguiente temporada:

Con estos datos se puede calcular la ganancia para cada combinacin de cantidad ordenada y
ventas eventuales. Por ejemplo, si se ordenan 300 pinos y se venden slo 200, la utilidad neta
ser de $4.5 por cada rbol vendido menos una prdida de $3.5 por los rboles no vendidos,
es decir:
200($8-$3.5)-100($3.5)=$900-$350=$550
Si se hace esto para cada una de las combinaciones y se obtienen los resultados mostrados en
la tabla de decisiones siguiente o tambin llamada matriz de pagos:

El resultado ms importante de la teora de decisiones bajo riesgo es que debe seleccionarse la

alternativa que tenga el mayor VALOR ESPERADO.
Existen muchas decisiones administrativas que pueden catalogarse como toma de
decisiones bajo riesgo. Algunas de ellas son:

Deber introducirse un nuevo producto en particular?

Deber ofrecerse ms para obtener un contrato?

Deber construirse una nueva planta o ampliarse la que se tiene?

Cuntos pasteles deber producir una pastelera para la venta diaria?

Deber una compaa petrolera realizar pruebas ssmicas costosas antes de hacer
una nueva perforacin?

Deber iniciarse un nuevo programa costoso de propaganda?.

2.2 Entornos y estructura de problemas de decisin cuando

prevalece la incertidumbre y se conoce la distribucin de
probabilidad de los estados de la naturaleza.
Objetivos
Los diferentes criterios de decisin en
ambiente de riesgo se basan en estadsticos
asociados a la distribucin de probabilidad
de los resultados. Algunos de estos criterios
se aplican sobre la totalidad de las
alternativas, mientras que otros slo tienen
en cuenta un subconjunto de ellas,
considerando las restantes peores, por lo no
que estn presentes en el proceso de toma
de decisiones. (Bravo, 2000)
Representaremos por
los resultados
asociados a la alternativa , y por
ladistribucin de
probabilidad correspondiente a tales
resultados, esto es, el conjunto de valores
que representan las probabilidades de
ocurrencia de los diferentes estados de la
naturaleza:

Los principales criterios de decisin empleados sobre tablas de decisin en ambiente de riesgo
son:

2.3 Anlisis Apriori o sin uso del muestreo

Objetivos
En muchas situaciones de toma de
decisiones podemos obtener
evaluaciones de probabilidad para
los estados de la naturaleza.
Cuando estas probabilidades estn
disponibles, podemos utilizar el
mtodo del valor esperado para
identificar la mejor alternativa de
decisin. (Anderson & Sweeney, D,
2010)

2.3.1. Criterio del Valor Esperado

por lo que el criterio del valor esperado resulta ser:

Ejemplo 2
Para un problema de decisin bajo riesgo con la siguiente Tabla de resultados (Tabla de
Pagos):

la siguiente tabla muestra el resultado esperado para cada una de las alternativas:

Verificamos los clculos, haciendo uso de la ecuacin (3), Criterio del Valor Esperado:

La alternativa ptima segn el criterio del valor esperado sera , pues proporciona el
mximo de los valores esperados.

2.3.2. Valor Esperado de Informacin Perfecta.

Objetivos
Cualquier informacin adicional que podamos adquirir sobre una situacin problemtica mejora
nuestras oportunidades de tomar una decisin
mejor. Esta informacin es muy til y tiene un
determinado valor para nosotros. Sera importante
determinar la utilidad exacta de la informacin y
cunto estaramos dispuestos a pagar por
ella. (Webster, 2008)
Tomemos el ejemplo presentado en el Estudio de
Caso; supongamos que los analistas de Illinois
Central pudieran obtener una informacin perfecta
sobre los estados naturales; que a travs de la
investigacin de mercados y de la prediccin
econmica pudieran determinar con certeza el
estado natural que prevalecera en el futuro. Con
esta informacin. Illinois Central podra elaborar
una estrategia para determinar qu decisin
alternativa tomar. Si supieran a ciencia cierta que
iba a ocurrir una recesin, la decisin ptima sera
alquilar, lo que producira un beneficio de 5000
dlares. Si estuvieran seguros de que la
economa iba a entrar en una fase de expansin,
la decisin de construir nuevos equipos dara por resultado un beneficio de 50000 dlares. Por
ltimo, si supieran que la economa iba a permanecer estable, la decisin de renovar sera la
ptima y generara un beneficio de 40000 dlares. En cada uno de estos casos,
un conocimiento perfecto del estado natural permitira a Illinois Central saber con exactitud qu

decisin dara los mejores resultados y sera evidente la estrategia ptima a adoptar. (Webster,
2008)

Surgira la pregunta:

Cunto estara dispuesto a pagar Illinois Central por esta informacin?

Dicho de otro modo:

Cul es el valor esperado de la informacin perfecta?

Siguiendo con el anlisis del Estudio de Caso presentado, sin la informacin relativa a las
probabilidades de los estados naturales, Illinois Central, con el criterio de valor esperado,
decidi renovar, lo que daba un beneficio esperado de 15000 dlares, como podemos observar
en el clculo del valor esperado (EV) de cada decisin alternativa (ecuacin (4)):

Ahora calculemos el valor que Illinois Central podra esperar adquirir. Para ello sigamos
el siguiente procedimiento:

Volvamos a la Tabla 1 (Tabla de Pagos) de los beneficios de Illinois Central.

Observamos que el mejor pago si la economa entra en recesin es de $5000.

Multiplicamos este valor por la probabilidad de una recesin: 0.50x5000.

Procedemos de la misma manera con los otros dos estados naturales.

Elijamos en cada caso el mejor pago con ese estado natural y multipliqumoslo por la
probabilidad de que ocurra el estado natural.

Es decir, el pago de $50000 se multiplica por la probabilidad de expansin, que es el

20%, y para el caso de una economa estable el pago de $40000 se multiplica por la
probabilidad de estabilidad, que es el 30%.

El valor que Illinois Central podra esperar sera:

0.50x5000+0.20x50000+0.30x40000=24500 dlares.

Por consiguiente:

El valor esperado de la informacin perfecta (EV de PI), es: 24500-15000=9500 dlares

Esta cifra representa la cantidad mxima que Illinois Central debe estar dispuesto a
pagar por tal informacin.

2.3.3 Criterio de Mnima Varianza con Media Acotada

Objetivos

y se selecciona la que presente menor varianza, de esta forma se consigue la eleccin de una
alternativa con poca variabilidad en sus resultados y que proporciona, por trmino medio, un
resultado no demasiado pequeo. En resumen, el criterio de mnima varianza con media
acotada es el siguiente:

Ejemplo 3
Consideramos la misma Tabla del Ejemplo 2 (Tabla 4).
Para este caso tendramos la siguiente tabla que muestra el resultado esperado y su varianza
para cada una de las alternativas:

Verificamos los clculos:

Si el decisor selecciona un valor 10 para la constante K, quedara excluida del proceso

de decisin la alternativa
, que es la que posee menor varianza. Excluida sta,
la eleccin ptima corresponde a la alternativa
varianza entre las que cumplen la condicin

, pues es la que posee menor

.

2.3.4 Criterio de la Media con Varianza Acotada.

Objetivos
Para la utilizacin de este criterio se consideran exclusivamente las alternativas cuya
varianza
sea menor o igual que una constante K fijada por el decisor. Para cada una
de las alternativas ai que cumpla esta condicin se determina el valor esperado
sus resultados, (Bravo, 2000)

de

y se selecciona la que presente mayor valor esperado, de esta forma se consigue la eleccin
de una alternativa con poca variabilidad en sus resultados y que proporciona, por trmino
medio, un buen resultado. En resumen, elcriterio de la media con varianza acotada es el
siguiente:

Ejemplo 4
Consideramos la misma Tabla del Ejemplo 2 (Tabla 4).
La siguiente tabla muestra el resultado esperado y su varianza para cada una de las
alternativas.

Si el decisor selecciona un valor 20 para la constante K, quedara excluida del proceso de

decisin la alternativa , que es la que posee mayor valor esperado. Excluida sta, la eleccin
ptima corresponde a la alternativa , pues es la que posee mayor valor esperado entre las
que cumplen la condicin V.

2.3.5 Criterio de la Dispersin.

Objetivos
Para cada alternativa

se calcula el siguiente valor medio corregido

donde K es una valor fijado por el decisor, y se selecciona la de mayor valor resultante. De esta
forma se consigue limitar la influencia de alternativas con un valor esperado grande, pero

tambin alta variabilidad. Por tanto, el criterio de dispersin puede resumirse de la siguiente
forma:

Ejemplo 5
De igual modo, considerando la Tabla 4 en el Ejemplo 2, la siguiente Tabla muestra, para cada
una de las alternativas, el valor esperado, la varianza y el valor esperado corregido
correspondiente a un factor K=2.:

Verificamos los clculos

La alternativa ptima segn el criterio de dispersin sera

los valores corregidos.

, pues proporciona el mximo de

2.3.6 Criterio de la Probabilidad Mxima.

Para cada alternativa se determina la probabilidad de que la variable aleatoria que proporciona
el resultado tome un valor mayor o igual que una constante K fijada por el decisor: (Bravo,
2000)

y se selecciona aquella alternativa con mayor probabilidad asociada. Por tanto, el criterio de
probabilidad mximapuede resumirse de la siguiente forma:

Ejemplo 6
Tambin considerando la Tabla 4 del Ejemplo 2, construimos la siguiente Tabla, que muestra,
para cada una de las alternativas, la probabilidad de que el resultado sea mayor o igual que
K=10.

Para la alternativa , slo los resultados correspondientes a los estados

y
superan el
valor 10, siendo sus probabilidades asociadas 0.2 y 0.5; sumando ambas se obtiene la
probabilidad de obtener un resultado mayor o igual que 10 para la alternativa
. De manera
anloga se determinan las restantes probabilidades. La alternativa ptima segn este criterio
sera , pues proporciona la probabilidad ms alta.

2.3.7. rboles de Decisin

Objetivos
Cualquier problema que pueda
presentarse en una tabla de decisin
tambin puede ilustrarse de manera
grfica en un rbol de decisin. Todos
los rboles de decisin son similares en
el sentido de que contienen puntos de
decisin o nodos de decisin y puntos
de estados de la naturaleza o nodos de
estados de la naturaleza: (Render,
2006)

Un nodo de decisin del que se

pueden seleccionar varias
alternativas.

Un nodo de estados de la
naturaleza a partir del cual
podra ocurrir un estado de la
naturaleza.

Cinco fases del anlisis por

medio de rboles de decisin:
1. Definir el problema.
2. Estructurar o dibujar el rbol de decisin.
3. Asignar probabilidades a los estados de la naturaleza.
4.

Calcular las ganancias de cada combinacin posible de alternativas y estados de la naturaleza.

5. Resolver el problema mediante el clculo de los valores monetarios esperados de cada

nodo de estado de la naturaleza.

Ejemplo 7
Objetivos
Supongamos que se desea invertir $10000 en el mercado de valores comprando acciones de
una de dos compaas: A y B. Las acciones de la compaa A representan un riesgo, pero
podran dar un rendimiento del 50% sobre la inversin durante el siguiente ao. Si las
condiciones de la bolsa no son favorables (es decir, mercado a la baja), las acciones pueden
perder 20% de su valor. La compaa B proporciona inversiones seguras con 15% de
rendimiento en un mercado a la alza, y slo 5% en un mercado a la baja. Todas las
publicaciones que se han consultado, predicen un 60% de posibilidades para un mercado a la
alza y 40% de un mercado a la baja.

Dnde se debera invertir el dinero?

Primeramente resumamos en una tabla el problema de decisin:

Representamos al problema como un rbol de decisin:

Se utilizan dos tipos de nodos en el rbol: un cuadrado, representa un punto de decisin, y un

crculo, representa un evento de posibilidad. De esta forma, surgen dos ramas del punto de
decisin 1 para representar las dos alternativas de invertir en acciones A o B. En seguida, las
dos ramas que emanan de los eventos de posibilidad 2 y 3 representan los mercados a la
alza y a la baja, con sus respectivas probabilidades y resultados.

Calculamos el rendimiento esperado a 1 ao para las dos alternativas:

Con base en estos clculos, la decisin es invertir en las acciones A.

Preguntas de anlisis
Objetivos
Estimado estudiante, hemos revisado los contenidos referentes a la segunda semana, y
con el fin de afianzar el proceso de aprendizaje, te sugiero analices y des respuesta a las
siguientes interrogantes:
1.
Proporcione un ejemplo de una buena decisin que haya tomado y que haya
resultado mal. Tambin de un ejemplo de una mala decisin que haya tomado y que haya
dado un buen resultado.
Por qu fue buena o mala cada una de estas
decisiones?
2.

Describa qu est involucrado en el proceso de toma de decisiones.

3.

Qu es una alternativa? Qu es un estado de la naturaleza?

4.
Exponga las diferencias entre un proceso de toma de decisiones bajo certidumbre,
de riesgo y de incertidumbre.
5.
Cules son los criterios que se pueden aplicar para la toma de decisiones en
condiciones de riesgo?
6.

Qu informacin debe colocarse en un rbol de decisin?

Video
1.1. Con ayuda del siguiente video explicaremos algunas dudas que se hayan
presentado en el concepto y tipologa de la toma de decisiones en condiciones de
riesgo de la segunda semana.
https://youtu.be/EjCO63j1afY

Con el contenido terico y prctico, citado en el presente video, se consolidan los

aprendizajes relacionados con el concepto de toma de decisiones en condiciones de
riesgo.

Actividad de anlisis y comprensin

Pregunta de Eleccin Mltiple
1.

Con qu otro nombre se conoce a la Tabla de Pagos?

Tabla de probabilidades.

Tabla de estados de la naturaleza

Tabla de valores

Tabla de decisiones.

Tabla de alternativas.

Pregunta de Eleccin Mltiple

2.

Es elemento de una Tabla de decisiones o Tabla de pagos:

Las diferentes alternativas de accin.

Un nmero infinito de estados de la naturaleza.

Las probabilidades de ocurrencia de algunos estados de la naturaleza.

Mejor valor esperado medio.

Valor esperado.

Pregunta de Eleccin Mltiple

3.

Cul es la decisin adecuada en el problema que se analiza en el video?

Importaciones

Plan de pensiones.

Amortizar la hipoteca.

Venta al por mayor

Fondo a un ao.

Referencias bibliogrficas
Objetivos
Anderson, D., & Sweeney, D. (2010). Mtodos Cuantitativos para los Negocios. Mxico:
Cengage Learning Editores, S.A.
Bravo, R. B. (2000). Sociedad Andaluza de Educacin Matemtica Thales. Recuperado el 21
de noviembre de 2014, de Recursos Didcticos Proyecto Thales CICA: http://goo.gl/DdV5S6

Render, B. (2006). Mtodos cuentitativos para los negocios. Mxico: Pearson Prentice Hall.
Webster, A. L. (2008). Estadstica Aplicada a los Negocios y la Economa. Madrid: IRWIN.

Lecturas recomendadas (para ampliar conocimientos de la

segunda semana)
Para saber ms
Ponemos a tu disposicin para que revises una lectura que te ayudar a reforzar y a aclarar los
temas que hemos estudiado:

Documento : Toma de decisiones en situaciones de certeza, riesgo e incertidumbre

URL: http://goo.gl/f90vzi

Breve descripcin

En la presente lectura, de la Universidad Politcnica de Valencia, se describe el proceso de

toma de decisiones, se interpreta el marco mental en que estas decisiones se toman y se
analizan mtodos de valoracin de los resultados. Se recomienda interpretar los diferentes
mtodos y comparar el contenido con el de la presente gua 2.

Conclusiones de la segunda semana

Despus de haber concluido con todas las actividades de la segunda semana, podemos
mencionar algunas conclusiones:

La toma de decisiones es inherente al profesional moderno, quien tiene la necesidad y

la obligacin de tomar decisiones adecuadas, para evitar que determinada empresa
colapse.

La teora matemtica y estadstica nos proporciona tcnicas para tomar decisiones ms

adecuadas.

El proceso de toma de decisiones bsicamente se constituye en diferentes fases:

identificacin del problema, bsqueda de alternativas, establecimiento de criterios,
eleccin de una de ellas e implementacin y control.

De igual forma hemos aprendido que en algunas situaciones concretas se pueden

obtener soluciones ptimas, sin embargo, en el da a da de las empresas las
situaciones se desarrollan esencialmente en situaciones de riesgo e incertidumbre.

Ante situaciones de riesgo e incertidumbre existen diversos criterios que pueden

ayudar al decisor a decantarse por una alternativa u otra de entre las que tiene a su
disposicin.

Es importante recordar que la aplicacin de los criterios estudiados, pueden ser

afectados por factores externos tales como: estratgicos, polticos, de oportunidad, etc.
que pueden afectar a la toma de decisiones.

Metacognicin (de la segunda semana)

Las siguientes preguntas te ayudarn a reflexionar sobre tus propios aprendizajes, es un
ejercicio recomendado para razonar e identificar nuestro esfuerzo intelectual, la finalidad
es regular nuestras acciones y procesos mentales.
De la temtica abordada que te llam ms la atencin?
Consideras que aprendiste con los contenidos abordados?
Tuviste dificultad con algn tema o actividad? Cmo los solucionaste?
Qu acciones realizaste para aprender?
En qu circunstancias podras aplicar lo aprendido?