Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Toma de decisiones en un ambiente de Riesgo: Concepto de probabilidades, permutaciones, combinaciones, variables aleatorias. Caso prctico.
Administracin de Riesgos
Es un proceso interactivo e iterativo basado en el: conocimiento, evaluacin y manejo de los riesgos y sus impactos, con el propsito de mejorar la toma de decisiones organizacionales. Aplicable a cualquier situacin donde un resultado no deseado o inesperado pueda ser significativo o donde se identifiquen oportunidades.
3. Anlisis de Riesgos
Este paso del proceso es importante para evaluar y priorizar los riesgos posteriormente en el paso No. 4
de
Entender la actividad o parte de la organizacin para la cual se aplicar el proceso de administracin de riesgos.
Criterios
Definir
Elabore una lista ordenada de mayor a menor, por la valoracin del nivel de exposicin. Esto le permitir definir los riesgos de mayor grado de importancia sobre los cuales deber definir las opciones de tratamiento. Centre su atencin en lo crtico, de acuerdo a los niveles de aceptacin que tenga definidos
Cmo Hacerlo?
Costo
Para seleccionar la opcin ms apropiada se requiere balancear el costo de implementacin contra los beneficios derivados.
Permutaciones
Probabilidades
Qu observaste?
Solucin matemtica
P( n6,n5,n4,n3,n2,n1) =
1 6
= 0.17 = 17%
Combinaciones
de cuantas formas diferentes me puedo vestir combinndome con las siguientes camisas y pantalones?
Nociones de probabilidad
Hay dos maneras principales de entender la probabilidad: Frecuentista (objetiva): Probabilidad de un suceso es la frecuencia relativa (%) de veces que ocurrira el suceso al realizar un experimento repetidas veces. Subjetiva (bayesiana): Grado de certeza que se posee sobre un suceso. Es personal. En ambos tipos de definiciones aparece el concepto de suceso. Vamos a recordar qu son y algunas operaciones que se pueden realizar con sucesos.
Sucesos
Cuando se realiza un experimento aleatorio diversos resultados son posibles. El conjunto de todos los resultados posibles se llama espacio muestral y se denota por E. Se llama suceso a un subconjunto de dichos resultados. Se llama suceso contrario (complementario) de un suceso A, al formado por los elementos que no estn en A, se anota A Se llama suceso unin de A y B, AUB, al formado por los resultados experimentales que estn en A o en B (incluyendo los que estn en ambos Se llama suceso interseccin de A y B, A B o simplemente AB, al formado por los resultados experimentales que estn simultneamente en A y B
E espacio muestral
E espacio muestral A
E espacio muestral A A
E espacio muestral A B
E espacio muestral A B
UNIN
E espacio muestral A B
INTERSEC.
P (A) ! P(A/ B) ! B
P(AB) P(B)
A B
P(A|B)=1
P(A|B)=0,8
B B
P(A|B)=0,05
P(A|B)=0
Cualquier problema de probabilidad puede resolverse en teora mediante aplicacin de los axiomas. Sin embargo, es ms cmodo conocer algunas reglas de clculo: P(A ) = 1 - P(A) P(AUB) = P(A) + P(B) - P(AB) P(AB) = P(A) P(B|A)=P(B) P(B|A) Prob. de que ocurra A y B es la prob. de que ocurra A por la probabilidad de que ocurra B sabiendo que ocurri A. Dos sucesos son independientes si el hecho de que ocurra uno no afecta la ocurrencia del otro. En lenguaje probabilstico: A y B independientes P(A|B) = P(A) Dicho de otra forma: A y B independientes P(A B) = P(A) P(B)
EJEMPLO: En una muestra de 1000 individuos elegidos al azar, entre una poblacin de enfermos de osteoporosis 760 eran mujeres. Qu porcentaje de mujeres hay en la muestra? (760/1000)*100=0,76*100=76% Si elegimos a un individuo de la poblacin, qu probabilidad hay de que sea mujer: La nocin de frecuencia de probabilidades nos permite aproximarlo a P(Mujer) = 0,76 Cul es la probabilidad de que elegido un individuo de la poblacin sea hombre: P(Hombre) = P(Mujer ) P(Hombre)= 1 - 0,76 P(Hombre)= 0,24
EJEMPLO: Se sabe de otros estudios que entre los individuos con osteoporosis, aprox. la cuarta parte de las mujeres y la tercera parte de los hombres fuman. Elegimos a un individuo al azar de la poblacin de enfermos. Qu probabilidad hay de que sea mujer fumadora? P(Mujer Fumar) = P(Mujer) P(Fumar|Mujer) P(Mujer Fumar) = 0,76 x 0.25 P(Mujer Fumar) = 0,19 Qu probabilidad hay de que sea un hombre fumador? P(Hombre Fumar) = P(Hombre) P(Fumar|Hombre) P(Hombre Fumar) = 0,24 x 1/3 P(Hombre Fumar) = 0,08
Divide y vencers
A1 A2 Todo suceso B, puede ser descompuesto en componentes de dicho sistema.
B B = (B A1) U (B A2 ) U ( B A3 ) U ( B A4 ) A3 A4
Probabilidad total
A1 A2 Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entonces podemos calcular la probabilidad de B.
A3
A4
Ejemplo: En este aula el 70% de los alumnos son mujeres. De ellas el 10% son fumadoras. De los varones, son fumadores el 20%. Qu porcentaje de fumadores hay en total?
P(F) = P(F H) + P(F M) = P(F|H) P(H) + P(F|M) P(M) =0,2 x 0,3 + 0,1 x 0,7 = 0,13 =13%
Probabilidad Total. Hombres y mujeres forman una particin del espacio muestral
Se elije a un individuo al azar y resulta fumador. Cul es la probabilidad de que sea un hombre?
P(H|F) = P(F H)/P(F)
Mujeres Varones
= 0,46 = 46%
fumadores
Fuma
P(H | F) = 0,3x0,2/P(F) Los caminos a travs de nodos representan intersecciones. Las bifurcaciones representan uniones disjuntas. Puedes resolver los problemas usando la tcnica de tu preferencia.
Regla de Bayes
A1 A2 Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entonces si ocurre B, podemos calcular la probabilidad (a posteriori) de ocurrencia de cada Ai.
A3
A4
P( A i B) PB ( A i ) ! P( A i / B) ! P( B)
donde P(B) se puede calcular usando el teorema de la probabilidad total: P(B)=P(B A1) + P(B A2 ) + P( B A3 ) + ( B A4 ) =P(B|A1) P(A1) + P(B|A2) P(A2) +
Test diagnsticos
Un test diagnstico sirve para ayudar a mejorar una estimacin de la probabilidad de que un individuo presente una enfermedad. En principio tenemos una idea subjetiva de P(Enfermo). Nos ayudamos de Incidencia, Porcentaje de nuevos casos de la enfermedad en la poblacin. Prevalencia, Porcentaje de la poblacin que presenta una enfermedad. Por otra parte, para confirmar, usamos una prueba diagnstica. La misma ha sido evaluada con anterioridad sobre dos grupos de individuos: sanos y enfermos. As de modo frecuentista se ha estimado: Sensibilidad (verdaderos +)= Tasa de acierto sobre enfermos. Especificidad (verdaderos -)= Tasa de acierto sobre sanos. A partir de lo anterior y usando la Regla de Bayes, podemos calcular las probabilidades a posteriori (en funcin de los resultados del test): ndices predictivos P(Enfermo | Test +) = ndice predictivo de verdaderos positivo P(Sano | Test -) = ndice predictivo de verdaderos negativo
Especificidad, Verdaderos -
T-
0,3 0,2
Individuo Enfermo
T+ TT+ T-
P ( Enf | T ) !
!
T )
T ) P ( Sano
T )
0,7 0,01
Sano
0 , 2 0 ,3 ! 0 , 88 0 , 2 0 , 3 0 , 8 0 , 01
P ( Sano P ( Sano
0,8
P ( Sano | T ) ! !
T )
T ) P ( Enf
T )
0,99
0 , 8 0 , 99 ! 0 , 85 0 , 8 0 , 99 0 , 2 0 , 7
Observaciones
En el ejemplo anterior, al llegar un individuo a la consulta tenemos una idea a priori sobre la probabilidad de que tenga una enfermedad. A continuacin se le pasa un test diagnstico que nos aportar nueva informacin: Presenta glucosuria o no. En funcin del resultado tenemos una nueva idea (a posteriori) sobre la probabilidad de que est enfermo. Nuestra opinin a priori ha sido modificada por el resultado de un experimento. Relacinalo con el mtodo cientfico.
-Qu probabilidad tengo de estar enfermo? - En principio 0.2. Le haremos unas pruebas.