Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INTRODUCCIN 2 Pg.
CONCLUSIONES 26 Pg.
BIBLIOGRAFA 27 Pg.
1
INTRODUCCIN
El objetivo del Anlisis de Decisiones es ayudar al decisor a enfrentarse a problemas muy complejos
debido a la presencia de varias fuentes de incertidumbre, varios objetivos y metas conflictivos,
posibles impactos de las decisiones a largo plazo y sobre distintos grupos de la poblacin... Aunque en
ocasiones es posible resolverlos slo con la experiencia y la intuicin, se ha probado que tales
aproximaciones pueden conducir a malas soluciones. Como alternativa, las herramientas de Anlisis de
Decisiones permiten crear de forma estructurada modelos de problemas reales de decisin y
analizarlos para comprenderlos mejor y conseguir mejorar la calidad de las decisiones resultantes.
El anlisis de decisin proporciona un soporte cuantitativo a los tomadores de decisiones en todas las
reas tales como ingenieros, analistas en las oficinas de planificacin, agencias publicas, consultores
en proyectos de gerencia, planificadores de procesos de produccin, analistas financieros y de
economa, expertos en diagnsticos de soportes medico y tecnolgicos e infinidad de otras reas.
Los elementos en los problemas de decisin son: un decisor responsable individual, un nmero finito
de eventos (futuros) posibles, Un nmero finito de alternativas posibles de decisin y La manera ms
sencilla de formular el problema de decisin es usando una matriz de beneficios (tabla).
La fuente principal de errores en los problemas de toma de decisiones son las presunciones falsas, no
tener una estimacin exacta de las probabilidades, depender de la expectativa, dificultades en medir la
funcin de utilidad, y los errores de pronstico.
El rbol de decisiones es una representacin cronolgica del proceso de decisin, mediante una red que
utiliza dos tipos de nodos: los nodos de decisin y los nodos de estados de la naturaleza.
En la teora de juegos describe las situaciones envueltas en conflictos en los cuales el beneficio es
afectado por las acciones y contra-reacciones de oponentes inteligentes.
2
ANLISIS DE DECISIONES
El anlisis de decisin proporciona un soporte cuantitativo a los tomadores de decisiones en todas las
reas tales como ingenieros, analistas en las oficinas de planificacin, agencias publicas, consultores
en proyectos de gerencia, planificadores de procesos de produccin, analistas financieros y de
economa, expertos en diagnsticos de soportes medico y tecnolgicos e infinidad de otras reas.
El anlisis de decisiones se fundamenta en la lgica de las decisiones, que se llevan a cabo dentro de
las organizaciones, con el fin de alcanzar un objetivo. Los mtodos con que se cuenta para la
documentacin y el anlisis de la lgica de decisiones son: el lenguaje estructurado, las tablas de
decisiones y los rboles de decisiones.
Con el fin de precisar los requisitos de informacin necesarios para el anlisis de decisiones, el analista
de sistemas debe identificar los objetivos de la organizacin, mediante un enfoque descendente.
Las condiciones, las alternativas de las condiciones, las acciones y reglas de accin deben conocerse
con el fin de disear sistemas para decisiones estructuradas. El analista precisa primero las
condiciones. Esto es, aquellos fenmenos que pueden afectar el resultado de algo. En el siguiente paso,
el analista de sistemas identifica las opciones a las condiciones especficas por quien toma las
decisiones. Estas alternativas pueden ser tan simples como "si", "no", o pueden ser ms descriptivas
como "menos de $50", "entre $50 y $100" y "mayores de $ 100".
Luego se identifican las acciones. Esto incluye cualquier instruccin que se requiera para alcanzar el
resultado de una o ms de las condiciones anteriores. Todas las instrucciones para la manipulacin o el
clculo de valores, la impresin de los informes, o an el desglose de las transacciones en preguntas,
seran acciones. Las acciones se unen a las condiciones por medio de las reglas de accin, las cuales
son los protocolos de ejecucin de las acciones requeridas.
3
El concepto de probabilidad ocupa un lugar importante en el proceso de toma de decisiones, ya sea que
el problema es enfrentado en una compaa, en el gobierno, en las ciencias sociales, o simplemente en
nuestra vida diaria.
Los modelos probabilsticos son vistos de manera similar que a un juego; las acciones estn basadas en
los resultados esperados. El centro de inters se mueve desde un modelo determinstico a uno
probabilstico usando tcnicas estadsticas subjetivas para estimacin, prueba y prediccin. En los
modelos probabilsticos, el riesgo significa incertidumbre para la cual la distribucin de probabilidad
es conocida. Por lo tanto, la evaluacin de riesgo significa un estudio para determinar los resultados de
las decisiones junto a sus probabilidades.
La Dificultad en la Evaluacin de la Probabilidad se obtiene de la informacin, la cual es escasa, vaga,
inconsistente, o incompleta. Una afirmacin tal y como que "la probabilidad de una baja de
electricidad se encuentra entre 0,3 y 0,4" es mas natural y realista que su contraparte exacta de que
"la probabilidad de una baja de electricidad es 0,36342."
Es una tarea desafiante comparar varios cursos de accin y finalmente seleccionar la accin que se va a
realizar. En determinados casos, esta tarea puede resultar excesivamente desafiante. Las dificultades de
la toma de decisiones estn representadas por la complejidad de las alternativas de decisin. La
capacidad que tiene un decisor de procesar informacin limitada es un factor de exigencia ya cuando
se consideran las implicancias de un solo curso de accin, pero en muchas decisiones se deben
visualizar y comparar las implicancias de varios cursos de accin. Adems, hay factores desconocidos
que se inmiscuyen en la situacin problemtica; rara vez se conoce con certeza el resultado. La
mayora de las veces, el resultado depende de las reacciones de otras personas que quizs ni siquiera
saben qu van a hacer. No es de sorprender entonces que a veces los decidores pospongan la eleccin
lo ms posible y que luego decidan sin intentar considerar todas las implicancias de su decisin.
La toma de una decisin, fundamentalmente, tiene que ver con combinar informacin sobre
probabilidades con informacin sobre deseos e intereses. Cuntas ganas tienes de conocer a esa
mujer? Cun importante es la salida? Cunto vale ese premio?
Abordar las decisiones como si fueran apuestas es la base de la teora de la decisin. Significa que
tenemos que compensar el valor de un cierto resultado contra su probabilidad.
Para operar segn los cnones de la teora de la decisin debemos hacer clculos del valor de un cierto
resultado y sus probabilidades, y a partir de all de las consecuencias de nuestras elecciones.
El origen de la teora de la decisin para la toma de decisiones se deriva de la economa, en el rea de
la funcin de la utilidad del pago. Propone que las decisiones deben tomarse calculando la utilidad y la
probabilidad de rangos de opciones, y establece estrategias para una buena toma de decisiones:
4
MODELOS PROBABILSTICOS: DE LOS DATOS A UN CONOCIMIENTO DECISIVO
El conocimiento es lo que sabemos. La informacin es la comunicacin de conocimientos. En cada
intercambio de conocimientos, hay un remitente y un receptor. El remitente hace comn lo que es
privado, hace la informacin, la comunicacin. La informacin se puede clasificar como formas
explcitas y tcitas. La informacin explcita se puede explicar de forma estructurada, mientras que la
informacin tcita es inconsistente e imprecisa de explicar.
Los datos son conocidos como informacin cruda y no como conocimientos en s. La secuencia que va
desde los datos hasta el conocimiento es (observe el siguiente cuadro): de los Datos (Data) a la
Informacin (Information), de la Informacin (Information) a los Hechos (Facts), y finalmente, de los
Hechos (Facts) al Conocimiento (Knowledge) . Los datos se convierten en informacin, cuando se
hacen relevantes para la toma de decisin a un problema. La informacin se convierte en hecho,
cuando es respaldada por los datos. Los hechos son lo que los datos revelan. Sin embargo el
conocimiento instrumental es expresado junto con un cierto grado estadstico de confianza (gl).
Los hechos se convierten en conocimiento, cuando son utilizados en la complementacin exitosa de un
proceso de decisin. Una vez que se tenga una cantidad masiva de hechos integrados como
conocimiento, entonces su mente ser sobrehumana en el mismo sentido en que, con la escritura, la
humanidad es sobrehumana comparada a la humanidad antes de escribir. La figura siguiente ilustra el
proceso de razonamiento estadstico basado en datos para construir los modelos estadsticos para la
toma de decisin bajo incertidumbre.
de donde:
Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadstico.
Level of improvements on decisin making = Nivel de Mejoramiento en la Toma de Decisiones
La figura anterior representa el hecho que a medida que la exactitud de un modelo estadstico aumenta,
el nivel de mejoramiento en la toma de decisin aumenta. Esta es la razn del porqu necesitamos la
estadstica de negocio. La estadstica se creo por la necesidad de poner conocimiento en una base
sistemtica de la evidencia. Esto requiri un estudio de las leyes de la probabilidad, del desarrollo de
las propiedades de medicin, relacin de datos.
La inferencia estadstica intenta determinar si alguna significancia estadstica puede ser adjunta luego
que se permita una variacin aleatoria como fuente de error. Una inteligente y crtica inferencia no
puede ser hecha por aquellos que no entiendan el propsito, las condiciones, y la aplicabilidad de las
de diversas tcnicas para juzgar el significado.
Considerando el ambiente de la incertidumbre, la posibilidad de que las buenas decisiones sean
tomadas incrementa con la disponibilidad de la buena informacin. El chance de la disponibilidad de
la buena informacin incrementa con el nivel de estructuracin del proceso de Direccin de
Conocimiento. La figura anterior tambin ilustra el hecho que mientras la exactitud de un modelo
estadstico aumenta, el nivel de mejora en la toma de decisiones aumenta.
7
La Matriz de Arrepentimiento
C CM SC B Paso b
Bonos (15-12) (8-8) (7-6) (7-3) 4*
Acciones (15-15) (8-7) (7-3) (7+2) 9
Depsito (15-7) (8-7) (7-7) (7-7) 8
8
a) Use la informacin que tenga para asignar su parecer personal (llamado probabilidades
subjetivas) sobre el estado de la naturaleza, p(s);
b) Cada curso de accin tiene asociado un determinado beneficio con cada uno de los estados
de la naturaleza, X(a,s);
c) Calculamos el beneficio esperado, tambin llamado riesgo o R, correspondiente a cada curso
de accin como R(a) = Sumas de [X(a,s) p(s)];
d) Aceptamos el principio que dice que deberamos actuar para minimizar (o maximizar) el
beneficio esperado;
e) Ejecute la accin que minimice R(a).
BENEFICIO ESPERADO: El resultado real no ser igual al valor esperado. Lo que se obtiene no es
lo que se espera, es decir, las "Grandes Expectativas".
a) Con cada accin, multiplique la probabilidad y el beneficio y luego sume: Elija el nmero ms
grande y adopte esa accin. b) Agregue el resultado por fila, c) Seleccione el nmero ms grande y
tome esa accin.
C (0,4) CM (0,2) SC (0,3) B (0,1) Valor esperado
Bonos 0,4(12) + 0,2(8) + 03(6) + 0,1(3) = 8,5*
Acciones 0,4(15) + 0,2(7) + 0,3(3) + 0,1(-2) = 8,1
Depsito 0,4(7) + 0,2(7) + 0,3(7) + 0,1(7) = 7
C 15(0,4) = 6,0
CM 8(0,2) = 1,6
9
SC 7(0,3) = 2,1
B 7(0,1) = 0,7
+ ----------
10,4
VEIP = 10,4 - Beneficio Esperado = 10,4 8,5 = 1,9. Verifique si la PEO = VEIP
Por lo tanto, si la informacin cuesta ms del 1.9% de la inversin no la compre. Por ejemplo, si usted
va a invertir $100.000, el mximo que deber pagar por la informacin que compre ser de [100.000 *
(1,9%)] = $1.900.
YO NO S NADA: Todos los estados de la naturaleza tienen igual probabilidad. Como yo no s nada
sobre la naturaleza, todo es igualmente probable (Laplace):
a) Para cada estado de la naturaleza ponga una probabilidad igual (es decir, probabilidad plana),
b) Multiplique cada nmero por la probabilidad,
C CM SC B Beneficio esperado
Bonos 0,25(12) 0,25(8) 0,25(6) 0,25(3) 7,25 *
Acciones 0,25(15) 0,25(7) 0,25(3) 0,25(-2) 5,75
Depsito 0,25(7) 0,25(7) 0,25(7) 0,25(7) 7
Incrementar la aceptacin de una solucin o bien la variedad de puntos de vista: Muchas decisiones
fracasan despus de elegida una opinin, debido a que un sector de gente no la acepta como una solucin
posible, cada uno de sus integrantes tiene un punto de vista propio que difiere, en cierta medida, del de los
dems, como resultado, la cantidad y tipos de opciones son mayores que los del individuo que trabaja solo.
La participacin en grupo facilita una amplia discusin y una aceptacin ms participativa, es posible que
haya divergencias en los acuerdos, pero se plantea y permite su discusin para cuando ya sea aceptada, sea
un compromiso de todo un conjunto.
Es difcil que los asistentes al grupo de discusin ataquen o dificulten una decisin que ellos ayudaron
a desarrollar. Las decisiones grupales incrementan la aceptacin de la solucin final y facilitan su
instrumentacin.
Incrementan la Legitimidad: Los mtodos democrticos son aceptados por todos los
componentes de la sociedad. Cuando el proceso es grupal, intervienen todos los aditamentos de los
10
ideales democrticos. Si el tomador de decisiones no consulta a otros antes de tomar una de ellas, el
hecho del poder que tiene no le exime de quedar como una persona autoritaria y arbitraria.
Las decisiones grupales no tienen la varita mgica de la perfeccin, pero sin lugar a dudas son las
menos peligrosas y por lo tanto las que tienen un menor nivel de error.
Reduccin de los problemas de comunicacin: Puesto que el grupo participa en la toma de
decisin, todos sus integrantes estn conscientes de la situacin, por lo general la puesta en marcha de
la solucin se realiza sin tropiezos. Las preguntas, las objeciones y los obstculos a los que
normalmente se enfrenta la implantacin de una decisin, con frecuencia desaparecen, cuando esta
ltima es resultado de la participacin del grupo.
Desventajas:
Requieren mucho tiempo: El reunir al grupo toma su tiempo, pero con una buena organizacin,
las reuniones estarn programadas de antemano en un espacio de tiempo oportuno (vara de acuerdo a
la organizacin y no debe ser menor de dos semanas). El resultado es que los grupos consumen ms
tiempo en alcanzar una decisin a diferencia de un solo individuo.
Presiones de aceptacin: Si bien se supone que todos los miembros del grupo deben sentirse
libre para expresar sus opiniones, sugerencias y recomendaciones, no deja de ser cierto que a veces
existe cierta presin para que todo el mundo se rena y acate el consenso general, llamado con
frecuencia "Pensamiento grupal". Esta presin puede provocar que el grupo pase por alto un consejo o
sugerencia positiva de algunos de los presentes. Se presiona a los inconformes para que se ajusten y
adhieran a la opinin de la mayora.
En los grupos existen presiones sociales. El deseo de los miembros del grupo de ser aceptados y por lo
tanto ser protagonistas, puede resultar en un intercambio de pareceres condicionado a deseos de una
demostracin de un liderazgo. Finalmente se llegar a un mismo resultado que necesariamente debe
ser aceptado por todos para tener validez.
Responsabilidad ambigua: Los miembros de un grupo tienen que compartir la responsabilidad,
por lo tanto la individualidad se diluye, dndole un gran valor a los resultados.
El Compromiso: En ciertas ocasiones el grupo se estanca y se muestra incapaz de llegar a un
acuerdo sobre qu soluciones recomendar. Obligados a tomar una decisin, se alienta a los miembros a
llegar a un compromiso o a darse por vencidos, aceptando una versin diferente de su solucin. Este
inconveniente es muy usual cuando el grupo se subdivide en grupos ms pequeos, cada uno de los
cuales apoya una solucin diferente.
Con frecuencia se pregunta si las organizaciones tienen normas y regulaciones relacionadas con un
proceso por medio del cual un gerente puede llegar a alcanzar objetivos, polticas y estrategias.
Si bien no existe un conjunto de normas nicas para cualquiera de estas funciones, todas estn
relacionadas con diferentes formas de decisiones, por lo cual es posible elaborar una lista de pasos que
se aplican a todas las circunstancias en las que se toman decisiones.
Podemos hablar entonces de un proceso bsico conocido como el circuito o pasos de la toma de
decisiones:
Caracterstica De La Decisin
Existen cinco caractersticas de las decisiones:
1. Efectos futuros:
Tiene que ver con la medida en que los compromisos relacionados con la decisin afectar el
futuro. Una decisin que tiene una influencia a largo plazo, puede ser considerada una decisin
de alto nivel, mientras que una decisin con efectos a corto plazo puede ser tomada a un nivel
muy inferior.
2. Reversibilidad:
Se refiere a la velocidad con que una decisin puede revertirse y la dificultad que implica hacer
este cambio. Si revertir es difcil, se recomienda tomar la decisin a un nivel alto; pero si
revertir es fcil, se requiere tomar la decisin a un nivel bajo.
3. Impacto:
Esta caracterstica se refiere a la medida en que otras reas o actividades se ven afectadas. Si el
impacto es extensivo, es indicado tomar la decisin a un nivel alto; un impacto nico se asocia
con una decisin tomada a un nivel bajo.
4. Calidad:
Este factor se refiere a las relaciones laborales, valores ticos, consideraciones legales,
principios bsicos de conducta, imagen de la compaa, etc. Si muchos de estos factores estn
involucrados, se requiere tomar la decisin a un nivel alto; si solo algunos factores son
relevantes, se recomienda tomar la decisin a un nivel bajo.
5. Periodicidad:
Este elemento responde a la pregunta de si una decisin se toma frecuente o excepcionalmente. Una
decisin excepcional es una decisin de alto nivel, mientras que una decisin que se toma
frecuentemente es una decisin de nivel bajo.
Pasos en el proceso de la toma de decisiones
a. Determinar la necesidad de una decisin:
12
El proceso de toma de decisiones comienza con el reconocimiento de la necesidad de tomar
una decisin, el mismo lo genera un problema o una disparidad entre cierto estado deseado y la
condicin real del momento.
Una vez determinada la necesidad de tomar una decisin, se deben identificar los criterios que
sean importantes para la misma. Vamos a considerar un ejemplo.
" Una persona piensa adquirir un automvil , los criterios de decisin de un comprador tpico
sern: precio, modelo, dos o ms puertas, tamao nacional o importado, equipo opcional, color,
etc. Estos criterios reflejan lo que el comprador piensa que es relevante. Existen personas para
quienes es irrelevante que sea nuevo o usado; lo importante es que cumpla sus expectativas de
marca, tamao, imagen, etc., y se encuentre dentro del presupuesto del que disponen. Para el
otro comprador lo realmente importante es que sea nuevo, despreciando el tamao, marca,
prestigio, etc"
Los criterios enumerados en el paso previo no tienen mayor importancia. Es necesario ponderar
cada uno de ellos y priorizar su importancia en la decisin.
Cuando el comprador del automvil se pone a ponderar los criterios, da prioridad a lo que por
su importancia condiciona completamente la decisin: precio y tamao. Si el vehculo elegido
tiene los dems criterios ( color, puerta, equipo opcional, etc.), pero rebasa el importe de lo que
dispone para su adquisicin o es de menor tamao al que se precisa por el uso que se le va a
dar, entonces nos encontramos con que los dems criterios son relevantes en base a otros de
importancia trascendental.
Una vez identificadas las alternativas, el tomador de las decisiones tiene que evaluar de manera
crtica cada una de ellas. Las ventajas y desventajas de cada alternativa resultan evidentes
cuando son comparadas.
La evaluacin de cada alternativa se efectua analizndola con respecto al criterio ponderado.
Una vez seleccionada la mejor alternativa se llega al final del proceso de la toma de decisiones, en el
proceso racional. Esta seleccin es bastante simple. El tomador de decisiones slo tiene que escoger la
alternativa que tuvo la calificacin ms alta en el paso nmero cinco. El ejemplo nos dara como
resultado la compra de un Mercedes, con mnimas diferencias con otras marcas.
El tomador de decisiones debe ser totalmente objetivo y lgico a la hora de tomarlas, tiene que tener
una meta clara y todas las acciones en el proceso de toma de decisiones llevan de manera consistente a
la seleccin de aquellas alternativas que maximizarn la meta.
Tipos De Decisiones
Las decisiones, pueden estar divididas en dos categoras.
a. Decisin Programada:
13
Son programadas en la medida que son repetitivas y rutinarias, as mismo en la medida que se
ha desarrollado un mtodo definitivo para poder manejarlas. Al estar el problema bien
estructurado, el mando no tiene necesidad de pasar por el trabajo y gasto de realizar un proceso
completo de decisin.
Estas decisiones programadas cuentan con unas guas o procedimientos ( pasos secuenciales
para resolver un problema) , unas reglas que garanticen consistencias en las disciplinas y con
un alto nivel de justicia , aparte de una poltica, que son las directrices para canalizar el
pensamiento del mando en una direccin concreta.
b. Decisin no Programada:
"La reestructuracin de una organizacin" o "cerrar una divisin no rentable", son ejemplos de
decisiones no programadas, Tambin "la creacin de una estrategia de mercado para un nuevo
producto".
14
rbol de decisiones tpicos
15
En el diagrama de influencia anterior, los nudos de decisin y los nudos de oportunidad son
ilustrados similarmente con cuadrados y crculos. Los arcos (flechas) implican relaciones,
incluyendo probabilsticas.
Finalmente, el rbol de decisin y el diagrama de influencia proporcionan mtodos de tomas de
decisiones efectivas porque ellos:
o Claramente relaja el problema, por lo tanto todas las opciones pueden ser consideradas.
o Nos permiten ampliamente analizar las posibles consecuencias de una decisin.
o Proporcionan un esquema para cuantificar los valores delos resultados y las
probabilidades para lograr los mismos.
o Nos ayudan a tomar mejores decisiones basadas en la informacin existente, as como
tambin hacer mejores adivinanzas.
ANLISIS DE BAYES
Es un procedimiento para estimar las probabilidades de situaciones cuando un estudio o la informacin
de la muestra est disponible. Para describir el procedimiento, definamos la terminologa siguiente y su
notacin:
EVENTOS: normalmente representa un posible evento o situacin en el futuro. Por ejemplo, un
estado de naturaleza para el fabricante de decisin puede ser nivel de la demanda, la opcin de
consumidor, el ingreso la condicin nivelada, econmica, rango de temperatura, actitud personal, y el
gusto. Sea s(i) el estado de naturaleza i y i = 1,..., n.
PROBABILIDAD APRIORI: representa la posibilidad que un estado de naturaleza ocurrir en un
sentido general. Representa a menudo, en promedio, la probabilidad de un estado de naturaleza sin
saber cualquier informacin. Sea P(s(i)) la probabilidad anterior para el estado de naturaleza s(i).
ESTUDIO O INFORMACIN DE LA MUESTRA: normalmente es la informacin extra que
nosotros podemos conseguir si un estudio, o prueba es realizada. Los resultados de un estudio o
muestra pueden ser representados por indicadores diferentes. Sea I(j) el indicador j del estudio o
resultados de la muestra y j = 1,... ,m.
PROBABILIDAD CONDICIONAL: representa la posibilidad de un evento particular dado que otro
evento ocurre. En anlisis de Bayes o tabla de anlisis de pagos, representa normalmente la
probabilidad de un indicador del estudio (resultado) dado un estado particular de naturaleza. Sea
P(I(j)/s(i)) la probabilidad condicional de I(j) dado s(i). La probabilidad condicional puede ser una
indicacin de la fiabilidad de la informacin de la muestra.
Probabilidad marginal (Probabilidad Total): nosotros definimos la probabilidad marginal como la
probabilidad general de un indicador del estudio I(j), es decir, P(I(j)). Dado P(s(i)) y P(I(j)/s(i)),
P(I(j)) = S P(s(i)) P(I(j)/s(i)) para i =1 a n.
Probabilidad de unin: representa la probabilidad de que eventos mltiples ocurran simultneamente.
En DA, la probabilidad de unin de ambos I(j) y s(i) ocurriendo es representado por P(I(j),s(i)), y
P(I(j),s(i)) = P(s(i)) P(I(j)/s(i))
Probabilidad Aposteriori: es una probabilidad condicional que representa la posibilidad de un estado de
naturaleza dada el estudio o resultado de la muestra. Esto ofrece la probabilidad de lo que pasar si la
informacin extra muestra una indicacin. Sea P(s(i)/I(j)) represente la probabilidad aposteriori de s(i)
dado I(j), entonces
P(s(i)/I(j)) = P(I(j),s(i)) / P(I(j))
16
4. Presione el botn Play para jugar un solo juego o presione el botn Simulate para la
simulacin. Despus de que la simulacin se hace, usted puede escoger el botn de Show
Result (Mostrar Resultado) para ver el anlisis de la simulacin.
D 12 8 6 3 15 7 3 -2 7 7 7 7
U 58 34 28 13 100 19 13 0 19 19 19 19
MODELOS DE PARBOLA: Las regresiones de parbola tienen tres coeficientes con una forma
general:
U = a + bD + cD2,
Para nuestro ejemplo numrico i = 1, 2,..., 12. mediante la evaluacin de estos coeficientes utilizando
la informacin dada en la seccin de la forma tabular, El mejor ajuste es caracterizado por sus
coeficientes de valores estimados: c = 0,409, b = 0,035, y a = 3,091. El resultado es; por lo tanto, una
funcin de utilidad aproximada por la siguiente funcin cuadrtica:
U = 0,409D2 + 0,035D + 3,091, para todo D tal que -2 D 15.
La representacin matemtica anterior proporciona informacin mas til que los otros dos mtodos.
Por ejemplo, colocando D = 10, se obtiene el valor predicho de utilidad U = 44,3. Adicionalmente,
tomando la derivada de la funcin proporciona el valor marginal de la utilidad, por ejemplo,
Utilidad Marginal = 0,035 + 0,818D, para todo D tal que -2 D 15.
Note que para este ejemplo numrico, la utilidad marginal es una funcin creciente porque la variable
D tiene un coeficiente positivo; por lo tanto, se esta capacitado a clasificar esta decisin como un
riesgo moderado.
A usted podra gustarle utilizar el JavaScript de Regresin Cuadrtica para comprobar sus clculos
manuales. Para grados mayores que la cuadrtica, a usted podra gustarle utilizar el JavaScript de
Regresin Polinomial.
18
Por ejemplo, existen muchos factores importantes a considerar cuando se hace una oferta
importante, entre los cuales estn: Establecer y mantener una posicin de preferencia como
oferente, desarrollar una relacin de preferencia por parte de los clientes, de lo que se oferta en
s mismo, y del precio.
Para desarrollar los conceptos de la teora de juegos, considere el siguiente juego, en el cual el
jugador I tiene dos opciones para escoger, y el jugador II tiene tres alternativas para cada
eleccin del jugador I. La matriz de beneficios T se muestra a continuacin:
Jugador II
j=1 j=2 j=3
i=1 4 1 3
Jugador I
i=2 2 3 4
______________________________________
La Matriz de Beneficios
En la matriz de beneficios, las dos filas (i = 1, 2) representan las dos estrategias posibles que el
jugador I puede emplear, y las tres columnas (j = 1, 2, 3) representan las dos estrategias
posibles que el jugador II puede emplear. La matriz de beneficios esta orientada al jugador I, lo
que significa que un valor positivo tij es ganancia para el jugador I y una prdida para el
jugador II, mientras que un tij negativo representa ganancia para el jugador II y una prdida
para el jugador I. Por ejemplo, si el jugador I utiliza la estrategia 2 mientras que el jugador II
aplica la estrategia 1, el jugador I recibe t 21 = 2 unidades y por lo tanto el jugador II pierde 2
unidades. Obviamente, en nuestro ejemplo el jugador II siempre pierde; sin embargo, el
objetivo es minimizar el beneficio del jugador I.
La representacin grafica de los juegos podra ser observada como un Torneo que es jugado en
una red de conexiones con direcciones. Bajo este esquema, existen dos tipos de nodos:
terminales y continuos. Los nodos terminales no llevan a otros nodos, y el jugador I recibe el
beneficio asociado a sus propios arcos. Los nodos continuos llevan a por lo menos un nodo
adicional. Ambos jugadores seleccionas simultneamente un nodo respectivo. Para este
ejemplo numrico, a continuacin se muestra el grfico correspondiente. En esta red de
conexin con direcciones los bordes van desde el vrtice u hasta en vrtice w, y si algn
jugador elige el u mientras el otro elige el w, este ltimo se encuentra en la cabeza del arco
conectando dos nodos, por lo tanto recibe en beneficio tuw.
Una estrategia pura entre los pares (i. j) se encuentra en equilibrio si y solo si el elemento
correspondiente tij es el mayor en su columna y el menor en su fila. Este tipo de elemento es
llamado un punto de silla (por la analoga con la superficie de una silla).
19
Un "punto de decisin de equilibrio", es decir, un "punto de silla", es tambin conocido como
un "punto mini-mximo", el cual representa una decisin para dos jugadores en la cual ninguno
de los dos puede mejorar partiendo unilateralmente de ese punto.
Cuando no existe un punto de silla, se debe elegir una estrategia aleatoria. Esta es la idea detrs
de una estrategia mixta. Una estrategia mixta para un jugador esta definida como la
distribucin de probabilidad sobre el conjunto de todas las estrategias. Nuestro ejemplo
numrico es uno de estos casos. El jugador I puede asegurar que el beneficio ser max i minj tij =
2, mientras que el jugador II ajusta su juego suponiendo que el jugador I no recibe mas que min
max tij = 3. El problema de cmo la diferencia [min j maxi tij] - [max min tij] 0 debera ser
subdividida entre los jugadores se mantiene abierta. En tal caso, los jugadores buscan
naturalmente estrategias adicionales de oportunidades para asegurarse ellos mismos que las
posibilidades de compartir esta diferencia. Para alcanzar este objetivo, ellos deben seleccionar
sus estrategias de manera aleatoria para confundirse el uno al otro
Usaremos un mtodo general basado en la formulacin de la programacin lineal (PL). Esta
equivalencia entre la teora de juegos y la programacin lineal podra ser sorprendente debido a
que los problemas de PL envuelven solo un tomador de decisiones, pero se debe notar que con
cada problema de PL, existe un problema asociado al mismo llamado problema dual de PL.
Los valores ptimos de las funciones objetivo de ambos problemas PL son iguales,
correspondientes al valor del juego. Cuando se soluciona la PL mediante el mtodo simple, la
solucin al problema dual tambin aparece como parte de la tabla final. De esta forma
obtenemos v, Y*, y X* resolviendo una PL. La formulacin de la PL y el mtodo simple es el
mtodo mas rpido, prctico, y til para resolver juegos con una matriz T grande. Suponga que
el jugador II adopta una estrategia mixta, pero el jugador I solo se le permite utilizar una
estrategia pura. Cul sera la estrategia mixta Y= (y1, y2, y3) que el jugador II debera adoptar
para minimizar el beneficio mximo esperado v? Un momento de anlisis muestra que el
jugador II debera resolver el siguiente problema:
Min v = y
sujeto a: T.Y y
Ut.Y = 1
La minimizacin se encuentra sobre todos los del vector de decisin Y 0, el escalar y no esta
restringido en signo, y U un vector columna n-dimensional con todos sus elementos iguales a 1.
El lado derecho de las primeras n restricciones, por definicin, es el retorno esperado del
jugador II en contra de la estrategia pura del jugador I. Estas estrategias mixtas seran ptimas
si permitimos que el jugador I emplee estrategias mixtas. Las estrategias mixtas son conocidas
tambin como estrategias de punto de silla. Por supuesto, un juego con un punto de silla
tambin puede ser resuelto por este mtodo. La formulacin estndar en el mtodo simple
requiere que todas las variables sean no-negativas. Para lograr esta condicin se debe sustituir
la diferencia de dos variables nuevas por y.
La estrategia ptima para el jugador I es la solucin del problema dual del jugador II. El
mtodo simplex de la programacin lineal proporciona estrategias ptimas para ambos
jugadores.
Los juegos sociales y las normas de imparcialidad son convenciones que se han desarrollado
para coordinar el comportamiento de manera equilibrada del juego de la sociedad llamado vida.
Dado este punto de vista, las aproximaciones naturalistas del metafsico Emmanuel Kant y
moralista de David Hume podran ser abandonadas.
Ejemplos Numricos
La programacin lineal para el problema del jugador II en un juego con una matriz de
beneficios T dada anteriormente, es:
20
Min v
sujeta a:
4y1 + y2 + 3y3 v
2y1 + 3y2 + 4y3 v
y1 + y2 + y3 = 1
yj0, j = 1, 2, 3, v es no restringida
La solucin ptima para el jugador II es: y1 = 1/2, y2 = 1/2, y3 = 0. Los precios sombra son las
estrategiasptimas para el jugador I. Por lo tanto, el punto de silla mixto es: x1 = 1/4, x2 = 3/4;
y1 = 1/2, y2 = 1/2, y3 = 0, y el valor del juego es igual a 5/2. Note que la estrategia esencial
para el jugador I son: i = 1, i = 2; para el jugador II son j = 1, j = 2 mientras j = 3 no es esencial.
Es costumbre el descartar las filas o las columnas dominantes para encontrar las estrategias
ptimas. Sin embargo, esto asume que la matriz de beneficios es fija.
LA MINERA DE DATOS
La tecnologa informtica constituye la infraestructura fundamental de las grandes organizaciones y
permite, hoy, registrar mltiples detalles de la vida de las empresas. Las bases de datos posibilitan
almacenar cada transaccin, as como otros muchos elementos que reflejan la interaccin de la
organizacin con otras organizaciones, clientes, o internamente, entre sus divisiones y empleados,
etctera.
Es imprescindible convertir los grandes volmenes de datos existentes en experiencia, conocimiento y
sabidura, formas que atesora la humanidad para que sea til a la toma de decisiones, especialmente en
las grandes organizaciones y proyectos cientficos. La bsqueda de informacin relevante siempre es
til a la administracin empresarial: el control de la produccin, el anlisis de los mercados, el diseo
en ingeniera y la exploracin cientfica, porque pueden ofrecer las respuestas ms apropiadas a las
necesidades de informacin. Varias preguntas se relacionan frecuentemente con los datos, la
informacin y el conocimiento. Su respuesta, demanda la participacin de varios especialistas. Cmo
puede entenderse un fenmeno sobre la base de la interpretacin de grandes volmenes de datos? De
qu manera puede utilizarse la informacin para la toma de decisiones?, son algunos ejemplos de
interrogantes comunes.
La respuesta a estas preguntas es el objetivo de la minera de datos, un conjunto de tcnicas agrupadas
con el fin de crear mecanismos adecuados de direccin, entre ellas puede citarse la estadstica, el
reconocimiento de patrones, la clasificacin y la prediccin.
Para descubrir patrones de relaciones tiles en un conjunto de datos se empezaron a utilizar mtodos
que fueron denominados de diferente forma. El trmino data mining, en ingls, no era, al principio, del
agrado de muchos estadsticos, porque sus investigaciones estaban dirigidas a procesar y reprocesar
suficientemente los datos, hasta que confirmasen o refutasen las hiptesis planteadas. Desde este
ngulo, la minera de datos aplica una dinmica que se mueve en sentido contrario al mtodo cientfico
tradicional.
Con frecuencia, el investigador formula una hiptesis; luego, disea un experimento para captar los
datos necesarios y realizar los experimentos que confirmen o refuten la hiptesis planteada. Este es un
proceso, que realizado de forma rigurosa, debe generar nuevos conocimientos.
En la minera de datos, por el contrario, se captan y procesan los datos con la esperanza de que de ellos
surja una hiptesis apropiada. Se desea que los datos nos describan o indiquen el porqu presentan
determinada configuracin y comportamiento. Como afirma Eduardo Morales: La ms inocente
mirada a los datos puede inspirar una hiptesis. Recurdese que los humanos tienen un gran poder para
generalizar e identificar patrones. Luego entonces, validar una hiptesis inspirada por los datos en los
datos mismos, ser numricamente significativa, pero experimentalmente invlida. 2
21
No es ocioso insistir, en que las tcnicas de minera de datos no pueden utilizarse para confirmar o
rechazar hiptesis, porque puede conducir a errores fatales. Su funcin es otra, como antes se expres,
se trata de explorar datos, darles sentido, convertir un volumen de datos, que poco o nada aportan a la
descripcin, en informacin para interpretar un fenmeno, para adoptar decisiones de acuerdo con las
necesidades.
COMPONENTES DE LA MINERA DE DATOS
Las componentes bsicas de los mtodos de la minera de datos son:
Lenguaje de representacin del modelo: comprende las suposiciones y restricciones utilizadas en la
representacin empleada.
Evaluacin del modelo: incluye el uso de tcnicas de validacin cruzada para la predictividad y
aplicacin de principios como el de mxima verosimilitud o el de descripcin mnima para evaluar
la calidad descriptiva del modelo.
Mtodo de bsqueda: puede dividirse en bsqueda de parmetros y del modelo, determinan los
criterios que se siguen para encontrar los modelos.
Algunas de las tcnicas ms comunes usadas en la minera de datos son:
rboles de decisin y reglas de clasificacin.
Mtodos de clasificacin y regresiones no-lineales.
Mtodos basados en ejemplos prototpicos.
Modelos grficos de dependencias probabilsticas.
Modelos relacionales.
BIOINFORMTICA
La bioinformtica se encuentra en la interseccin entre las ciencias de la vida y de la informacin,
proporciona las herramientas y recursos necesarios para favorecer la investigacin biomdica. Como
campo interdisciplinario, comprende la investigacin y el desarrollo de sistemas tiles para entender el
flujo de informacin desde los genes a las estructuras moleculares, su funcin bioqumica, su conducta
biolgica y, finalmente, su influencia en las enfermedades y en la salud.5
Los estmulos principales para el desarrollo de la bioinformtica son:
El enorme volumen de datos generados por los distintos proyectos denominados genoma (humano
y de otros organismos).
Los nuevos enfoques experimentales, basados en biochips, que permiten obtener datos genticos a
gran velocidad, bien de genomas individuales (mutaciones, polimorfismos) de enfoques celulares
(expresin gnica).
El desarrollo de Internet, que permite el acceso universal a las bases de datos de informacin
biolgica.
La magnitud de la informacin que genera las investigaciones realizadas sobre el genoma humano es
tal que, probablemente, supera la generada por otras investigaciones en otras disciplinas cientficas.
Como se sabe, la vida es la forma ms compleja de organizacin de la materia que se conoce. En estos
momentos, los ordenadores no clasificados para uso civil ms potentes del mundo (en Celera y en Oak
Ridge National Laboratory, por ejemplo, con una capacidad de clculo cercana a los 2 Teraflops,
billones de operaciones por segundo) estn dedicados a la investigacin biolgica, concretamente a la
obtencin y al anlisis de las secuencias de nucletidos de los genomas conocidos.
Ante tal situacin, uno de los retos de la bioinformtica es el desarrollo de mtodos que permitan
integrar los datos genmicos de secuencia, de expresin, de estructura, de interacciones, etc. para
explicar el comportamiento global de la clula viva, minimizando la intervencin humana. Dicha
integracin, sin embargo, no puede producirse sin considerar el conocimiento acumulado durante
decenas de aos, producto de la investigacin de miles de cientficos, recogido en millones de
comunicaciones cientficas.
La bioinformtica se ocupa de la utilizacin y almacenamiento de grandes cantidades de informacin
biolgica, es decir, trata del uso de las computadoras para el anlisis de la informacin biolgica,
entendida esta como la adquisicin y consulta de datos, los anlisis de correlacin, la extraccin y el
procesamiento de la informacin. En otras palabras, la bioinformtica es un rea del espacio que
23
representa la biologa molecular computacional, que incluye la aplicacin de las computadoras y de las
ciencias de la informacin en reas como la geonmica, el mapeo, la secuencia y determinacin de las
secuencias y estructuras por mtodos clsicos. Las metas fundamentales de la bioinformtica son la
prediccin de la estructura tridimensional de las protenas a partir de su secuencia, la prediccin de las
funciones biolgicas y biofsicas a partir de la secuencia o la estructura, as como simular el
metabolismo y otros procesos biolgicos basados en esas funciones. Muchos de los mtodos de la
computacin y de las ciencias de la informacin sirven para estos fines, incluyendo el aprendizaje de
las mquinas, las teoras de la informacin, la estadstica, la teora de los grficos, los algoritmos, la
inteligencia artificial, los mtodos estocsticos, la simulacin, la lgica, etc.
En la reunin Chips to Hits 99, donde hubo representantes de compaas de software como Lion
Biosciences, Informax, Molecular Applications Group o Gene Logic, de empresas farmacuticas como
Bristol-Myers y del National Cancer Institute del gobierno estadounidense, se coment que
actualmente uno de los cuellos de botella de los ensayos con tecnologas basadas en biochips se
encuentra en la carencia de herramientas bioinformticas adecuadas para el anlisis y gestin de los
datos, debido a los enormes volmenes de datos que ellos generan. Asimismo, se resalt la necesidad
de emplear las tcnicas de la minera de datos, como la mejor forma de obtener conocimientos a partir
de los resultados experimentales.6
El reto en la construccin de bases de datos es el establecimiento de una arquitectura que permita la
realizacin de bsquedas inteligentes, la comunicacin con otras bases de datos y la unin con
herramientas de anlisis y de minera de datos, especficas, que permitan responder a problemas
biolgicos concretos. Los cientficos, encargados de la construccin de estas bases de datos, deben
disponer de conocimientos previos que permitan determinar cules problemas cientficos concretos
necesitan una solucin y cul o cules mtodos son los mejores para resolverlos. As se declara en el
artculo Qu es la Bioinformtica publicado por BIOTIC. Y en la propia publicacin del Instituto
Carlos III de Madrid, Espaa, se afirma: Se necesitan herramientas para gestionar informacin
gentica en paralelo. Para ello se emplean nuevas tecnologas de extraccin de conocimientos, minera
de datos y visualizacin. Se aplican tcnicas de descubrimiento de conocimientos a problemas
biolgicos como anlisis de datos del genoma y el proteoma.7
En estos momentos, la mayora de los proyectos que se desarrollan en el mundo en materia de
genmica y protemica, demandan la aplicacin de tcnicas de la minera de datos para poder
determinar qu es realmente importante dentro del enorme volumen de informacin que se genera
diariamente en el mundo. Considrese que el nmero total de letras (pares de bases qumicas) del ADN
humano ha resultado ser de 3.120 millones. El Proyecto Genoma Humano asegur que, a los 10 aos
de su creacin, ha terminado un primer borrador de la secuencia y completado el 85 % del ensamblaje.
De los 3.120 millones de datos que componen el libro de la vida, los cientficos han encontrado que
el 99,8 % son idnticos para todas las personas.
Como ha sealado Ignacio F. Bayo: El principal escollo al que se enfrenta la protemica, y en general
la biologa bsica, es la carencia de sistemas informticos apropiados para la inmensa cantidad de
clculos implicados en este tipo de investigaciones.8
El investigador del Consejo Superior de Investigaciones Cientficas, Alfonso Valencia, quien se dedica
al desarrollo de software para el anlisis de protenas en todos los niveles, anlisis de genoma,
determinacin de secuencias y estructuras, as como a la comparacin con bases de datos o prediccin
de funciones, seala: Pese a todo, con los equipos ms potentes se podra obtener mucha ms
informacin que la que se consigue, pero existe otro problema: la dispersin de los datos. Los
investigadores y las empresas guardan celosamente los resultados de sus trabajos debido a la
posibilidad de realizar patentes a partir de ellos. Incluso en los casos en que se coloca la informacin
en la red es difcil trabajar con ellos porque no se han desarrollado mecanismos adecuados de
bsqueda. La base de datos de la National Library of Medicine de Estados Unidos es la mayor fuente
accesible computadorizada y contiene 10 millones de referencias, pero slo estn los sumarios de los
artculos tcnicos, luego tiene uno que buscar lo que le interese en otros sitios..., se queja Valencia y
aade: Se trata de una informacin desestructurada, que no puede incorporarse directamente para
estudiar la funcin de una protena. Es, por as decir, una informacin muerta. Lo deseable sera poder
24
cruzar datos de miles de genes o de protenas para conseguir con rapidez indicios de su estructura y de
su funcin que permitan avanzar en la investigacin. Una posibilidad sera aplicar la tecnologa que
estn utilizando los buscadores en el web para seleccionar cada vez con mayor precisin la
informacin demandada, mediante anlisis estadstico de las palabras claves introducidas. Ahora se
empiezan a aplicar estas tcnicas en el campo de la protemica, pero aun as, resolver un proteoma,
relativamente sencillo, llevar an muchos aos, decenios probablemente en el caso del proteoma
humano. 8 Considrese, que si se analiza slo desde el punto de vista cuantitativo, los componentes
del DNA son cuatro nucletidos y sin embargo, las protenas la integran 20 aminocidos. El aumento
de volumen es evidente.
CONSIDERACIONES FINALES
El desarrollo de la tecnologa de minera de datos est en un punto de inflexin, con respecto a su
consolidacin, en las aplicaciones. Existen una serie de elementos que la hacen aplicable, y una
realidad que la demanda; sin embargo, existe una serie de retos que atentan contra su credibilidad. Uno
de ellos es que los productos comercializados son costosos, por tanto los consumidores pueden hallar
una relacin costo/beneficio improductiva.
La aplicacin de la minera de datos, adems de permitir el descubrimiento de conocimientos para el
sector comercial, soporta las investigaciones en la rama biolgica, encuentran en ella una herramienta
insustituible para enfrentar la avalancha de datos que producen las investigaciones genmicas y
protemicas. En este sentido, es necesario continuar elaborando herramientas computa-cionales
apropiadas para su uso en varios proyectos y elevar el nivel de conocimientos sobre su utilidad para los
investigadores.
Algunos de los factores que pueden crear una desilusin con las promesas de la minera de datos son:
Que se necesite mucha experiencia para utilizar herramientas de la tecnologa, o que sea fcil hallar
patrones equvocos, triviales o no interesantes.
Que no sea posible hallar patrones en tiempo o en espacio.
Que no se establezca una adecuada comunicacin en los equipos multidis-ciplinarios para elegir la
herramienta adecuada y que, por lo tanto, no se alcancen los resultados esperados.
Que existan razones organizativas, ticas o de otro carcter que impidan la utilizacin de toda la
informacin necesaria para la aplicacin de estas herramientas.
La primera dcada del siglo XXI, ser un perodo de importancia para la aplicacin de estas
herramientas a gran escala.
CONCLUSIONES
25
En el proceso de anlisis de decisiones, al decisor solo se le permite seleccionar una decisin entre un
conjunto de alternativas posibles de decisin, cuando existe incertidumbre con respecto al futuro, con
el objetivo de optimizar el pago(retornan) resultante en trminos de algn tipo de criterio de decisin
numrico
El anlisis de decisiones nos ayuda a comprender y solucionar problemas que pueden presentarse muy
complejos debido a que puedan tener varios objetivos por alcanzar, para lograr una mejor solucin
entre varias alternativas se tiene que hacer uso de un proceso racional.
Para poder realizar una anlisis de decisiones tenemos que tener en cuenta cuatro elementos
importantes: un decisor responsable, un nmero finito de eventos posibles, un nmero finito de
alternativas posibles de decisin y la manera ms sencilla de formular el problema de decisin es
usando una matriz de beneficios.
En estos tiempos en los que la nica constante en este ambiente globalizado es el cambio hay que
reflexionar que los cambios suceden con mucha mas rapidez que hace algunos aos- irnicamente en
la industria minera el tiempo es oro y en la medida las empresas mineras tengan la capacidad para
responder a esta constante es en la medida que podrn ser competitivos en el mercado global, es por
eso que los sistemas de soporte a la decisin juegan un papel relevante en la carrera por la
competitividad. En el cual depende de la correcta y acertada decisin que el encargado tome para
cualquier incertidumbre que se presente en cualquier labor de cualquier empresa
Si bien es cierto el camino para llegar a una implementacin exitosa no supone un trabajo fcil y
rpido las recompensas que estos pueden dejar al negocio bien valen la pena hacerlo esto puede
tomar mucho tiempo y vale iniciarlo lo mas pronto posible.
26
BIBLIOGRAFA
27