1

Universidad Jos Mara Vargas

Facultad de Administracin, Gerencia y Contadura
Ctedra: Estadstica y Probabilidad II

LA TOMA DE DECISIONES UTILIZANDO MODELOS DETERMINISTICOS Y

PROBABILISTICOS

Alumno:
Hai Liang Chia C.I: 25.872.203
Yessenia De Andrade C.I.: 20.754.070
Profesora:
Llendy Gil

Caracas, 7 de Octubre 2016

Indice
Introduccin............................................................................................................................3
Modelos de Toma de Decisiones4
Modelo Determinstico...4
Toma de Decisiones bajo Certidumbre..5
Modelo Probabilstico6
Toma de Decisiones bajo incertidumbre....7
Toma de Decisiones Bajo Riesgo...........7
Ciclos en la Construccin de Modelos...7
Reglas de Decisiones..7
Criterio de Wald.8
Criterio de Hurwicz8
Criterio de Savage..9
Criterio de Laplace10
Conclusin.11
Bibliografa...12

Introduccin
Los gerentes se encuentran mucho ms cautivados por darle forma al futuro que por la
historia pasada. La mayora de las decisiones son hechas de cara a la incertidumbre. Los
modelos probabilsticos estn ampliamente basados en aplicaciones estadsticas para la
evaluacin de eventos incontrolables (o factores), as como tambin la evaluacin del
riesgo de sus decisiones. 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.

Modelos de Toma 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
pblicas, consultores en proyectos de gerencia, planificadores de procesos de produccin,
analistas financieros y de economa, expertos en diagnsticos de soportes mdico y
tecnolgicos e infinidad de otras reas.
El modelado para la toma de decisiones envuelve a dos partes diferentes, una es el tomador
de decisiones y la otra es el constructor del modelo, conocido como el analista. El analista
debe asistir al tomador de decisiones en el proceso de decidir. Por lo tanto, el analista debe
estar equipado con ms que un conjunto de mtodos analticos.

Modelo Determinstico
En los modelos determinsticos, las buenas decisiones se basan en sus buenos resultados. Se
consigue lo deseado de manera "determinstica", es decir, libre de riesgo. Esto depende de
la influencia que puedan tener los factores no controlables, en la determinacin de los
resultados de una decisin y tambin en la cantidad de informacin que el tomador de
decisin tiene para controlar dichos factores.

Como un ejemplo de la diferencia entre los modelos probabilsticos versus determinsticos,

considere el pasado y el futuro: Nada que hagamos ahora puede cambiar el pasado, pero
cualquier cosa que hacemos influencia y cambia el futuro, a pesar de que el futuro tiene un
elemento de incertidumbre. Los gerentes se encuentran mucho ms cautivados por darle
forma al futuro que por la historia pasada.
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. En muy pocas situaciones de toma
de decisiones existe informacin perfectamente disponible todos los hechos necesarios.La mayora de las decisiones son hechas de cara a la incertidumbre. La probabilidad entra
en el proceso representando el; rol de sustituto de la certeza un sustituto para el
conocimiento completo.

Toma de Decisiones bajo Certidumbre

Si se pueden predecir con certeza las consecuencias de cada alternativa de accin, entonces
se tiene una tarea de toma de decisiones bajo certidumbre.
Otra manera de pensar en esto es que existe una relacin directa de causa y efecto entre
cada acto y su consecuencia. Si est lloviendo, deber llevarse un paraguas?, si hace fro,
deber llevarse un abrigo?. Ya sea que se lleve o no el paraguas o el abrigo, las
consecuencias son predecibles.
Una buena parte de las decisiones que se toman a diario cae dentro de esta categora.

Modelo Probabilstico
Los modelos probabilsticos estn ampliamente basados en aplicaciones estadsticas para la
evaluacin de eventos incontrolables (o factores), as como tambin la evaluacin del
riesgo de sus decisiones. La idea original de la estadstica fue la recoleccin de informacin
sobre y para el Estado. La palabra estadstica no se deriva de ninguna raz griega o latina,
sino de la palabra italiana state. La probabilidad tiene una historia mucho ms larga. La
Probabilidad se deriva del verbo probar lo que significa "averiguar" lo que no es tan fcil de
obtener o entender. La palabra "prueba" tiene el mismo origen el cual proporciona los
detalles necesarios para entender lo que se requiere que sea cierto.
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.
Los tomadores de decisiones generalmente se enfrentan a severa escasez de informacin.
La evaluacin de riesgo cuantifica la brecha de informacin entre lo que es conocido y lo
que necesita saber para tomar una decisin ptima. Los modelos probabilstico son
utilizados para protegerse de la incertidumbre adversa, y de la explotacin de la propia
incertidumbre.

Toma de Decisiones bajo incertidumbre

En los procesos de decisin bajo incertidumbre, el decisor conoce cules son los posibles
estados de la naturaleza, aunque no dispone de informacin alguna sobre cul de ellos
ocurrir. No slo es incapaz de predecir el estado real que se presentar, sino que adems
no puede cuantificar de ninguna forma esta incertidumbre. En particular, esto excluye el
conocimiento de informacin de tipo probabilstico sobre las posibilidades de ocurrencia de
cada estado.

Toma de Decisiones Bajo Riesgo

Esta categora incluye aquellas decisiones para las que las consecuencias de una accin
dada dependen de algn evento probabilista.

Ciclos en la Construccin de Modelos

Para entender mejor el lugar que ocupan los modelos en el proceso de su construccin y
anlisis, ser conveniente que clasifiquemos los modelos simblicos a partir de las
dimensiones ilustradas por medio del diamante que aparece en la siguiente imagen.
Confrontados entre s, los lados derecho e izquierdo del diamante se refieren a los extremos
polares que corresponden a la construccin de modelos determinsticos frente a la
construccin de modelos probabilsticos.
Por supuesto, ningn modelo es completamente determinstico (ausente de incertidumbre
en todas sus variables) ni totalmente probabilstico (con incertidumbre en los valores de
todas

Reglas de Decisiones

Reglas de decisiones segn:

Criterio de Wald
Criterio de Hurwicz
Criterio de Savage
Criterio de Laplace

Criterio de Wald
Este es el criterio ms conservador ya que est basado en lograr lo mejor de las peores
condiciones posibles. Esto es, si el resultado x(ai, ej) representa prdida para el decisor,
entonces, para ai la peor prdida independientemente de lo que ej pueda ser, es mx ej
{ x(ai, ej) }. El criterio minimax elige entonces la accin ai asociada a:
En una forma similar, si x(ai, ej) representa la ganancia, el criterio elige la accin ai
asociada a :

Elegir _ ai mnai mxej x(ai , ej )

Este criterio recibe el nombre de criterio maximin, y corresponde a un pensamiento

pesimista, pues razona sobre lo peor que le puede ocurrir al decisor cuando elige una
alternativa.

Elegir _ ai mxai mnej x(ai , ej )

Criterio de Hurwicz

Este criterio representa un intervalo de actitudes desde la ms optimista hasta la ms

pesimista. En las condiciones ms optimistas se elegira la accin que proporcione el mx
ai mx ej { x(ai, ej) }. Se supone que x(ai, ej), representa la ganancia o beneficio. De igual
manera, en las condiciones ms pesimistas, la accin elegida corresponde a mx ai mn ej {
x(ai, ej) }. El criterio de Hurwicz da un balance entre el optimismo extremo y el pesimismo
extremo ponderando las dos condiciones anteriores por los pesos respectivos y (1- ),
donde 0 1. Esto es, si x(ai, ej) representa beneficio, seleccione la accin que
proporcione:

mxai mxej x(ai , ej ) (1 )mnej x(ai , ej )

Para el caso donde x(ai, ej) representa un costo, el criterio selecciona la accin que
proporciona:

mnai mnej x(ai , ej ) (1 )mxej x(ai , ej )

El parmetro se conoce como ndice de optimismo: cuando = 1, el criterio es

demasiado optimista; cuando = 0, es demasiado pesimista. Un valor de entre cero y
uno puede ser seleccionado dependiendo de si el decisor tiende hacia el pesimismo o al
optimismo. En ausencia de una sensacin fuerte de una circunstancia u otra, un valor de
= 1/2 parece ser una seleccin razonable.

Criterio de Savage
En 1951 Savage argumenta que al utilizar los valores xij para realizar la eleccin, el decisor
compara el resultado de una alternativa bajo un estado de la naturaleza con todos los dems
resultados, independientemente del estado de la naturaleza bajo el que ocurran. Sin
embargo, el estado de la naturaleza no es controlable por el decisor, por lo que el resultado
de una alternativa slo debera ser comparado con los resultados de las dems alternativas
bajo el mismo estado de la naturaleza.
Con este propsito Savage define el concepto de prdida relativa o prdida de oportunidad
rij asociada a un resultado xij como la diferencia entre el resultado de la mejor alternativa
dado que ej es el verdadero estado de la naturaleza y el resultado de la alternativa ai bajo el
estado ej:

As, si el verdadero estado en que se presenta la naturaleza es ej y el decisor elige la

alternativa ai que proporciona el mximo resultado xij, entonces no ha dejado de ganar
nada, pero si elige otra alternativa cualquiera ar, entonces obtendra como ganancia xrj y
dejara de ganar xij-xrj.
Savage propone seleccionar la alternativa que proporcione la menor de las mayores
prdidas relativas, es decir, si se define ri como la mayor prdida que puede obtenerse al
seleccionar la alternativa ai,

10

El criterio de Savage resulta ser el siguiente:

Conviene destacar que, como paso previo a la aplicacin de este criterio, se debe calcular la
matriz de prdidas relativas, formada por los elementos rij. Cada columna de esta matriz se
obtiene calculando la diferencia entre el valor mximo de esa columna y cada uno de los
valores que aparecen en ella.
Observe que si x (ai, ej) es una funcin de beneficio o de prdida, la matriz de prdidas
relativas, formada por los elementos rij representa en ambos casos prdidas. Por
consiguiente, nicamente el criterio minimax (y no el maximin) puede ser aplicado a la
matriz de deploracin r.

Criterio de Laplace
Este criterio, propuesto por Laplace en 1825, est basado en el principio de razn
insuficiente: como a priori no existe ninguna razn para suponer que un estado se puede
presentar antes que los dems, podemos considerar que todos los estados tienen la misma
probabilidad de ocurrencia, es decir, la ausencia de conocimiento sobre el estado de la
naturaleza equivale a afirmar que todos los estados son equiprobables. As, para un
problema de decisin con n posibles estados de la naturaleza, asignaramos probabilidad
1/n a cada uno de ellos.
La regla de Laplace selecciona como alternativa ptima aquella que proporciona un mayor
resultado esperado:

1 n

mx _ ai x ai , e j
n j 1

11

Conclusin
La solucin de un determinado problema, se identifica primero un criterio mediante el cual
se escoge un modelo a seguir cuyos parmetros flucten de manera efectiva; esto establece
el rendimiento o efectividad que resulte en trminos de menos costos y ms beneficios.
Para esto, en un conjunto de problemas previamente formulados se toman en cuentan
distintas variables con sus respectivas restricciones, con el fin de llegar a una nica funcin
objetivo que incluya la mayor complejidad en las relaciones y una cantidad mayor de
variables y elementos ajenos al modelo determinstico que har posible una aproximacin a
un modelo probabilstico o de enfoque estocstico. Todo esto conlleva a tomar una decisin
sobre el mtodo ms efectivo a utilizar que represente el resultado deseado.
As mismo, estos modelos determinsticos asociados a la logstica empresarial junto con la
administracin de proyectos se enfocan para sortear diferentes situaciones que se presenten,
y adems garantizar el cumplimiento de los objetivos dentro de los tiempos estipulados.
(Hai Liang Chia)
Los modelos determinsticos poseen datos que se conocen con exactitud, en el cual
establecen condiciones para ejecutar el experimento y as determinar el resultado. Es decir
se, analiza toda la informacin permitiendo tomar una decisin. Sin embargo los modelos
probabilsticos o tambin llamados estocsticos es todo lo contrario a los modelos
determinstico ya que tiene datos que no se sabe con precisin, debido que posee variables
aleatorias, es decir, no permite manifestar un resultado preciso de un experimento.
(Yessenia De Andrade)

12

Bibliografa
https://books.google.co.ve/books?id=DWvtFYqh0YC&pg=PA19&dq=MODELOS+DE+TOMA+DE+DECISION+PROBABILISTI
COS+Y+DETERMINISTICOS&hl=es&sa=X&ved=0CB8Q6AEwAWoVChMI77yftYlyAIVxWw-Ch0j4AqM#v=onepage&q=MODELOS%20DE%20TOMA%20DE
%20DECISION%20PROBABILISTICOS%20Y%20DETERMINISTICOS&f=true
https://equip4.wordpress.com/2010/10/14/3-2-criterios-de-decision-deterministicos-yprobabilisticas/
https://prezi.com/yawz2edd6pyh/modelos-de-la-toma-de-decisiones/
http://www.geocities.ws/mdmoli/archivos/ioii1/unidad1.html
Blog
http://estadisticaujmvtomadedecisiones.blogspot.com/2016/10/la-toma-de-decisionesutilizando.html
Defensa del proyecto
https://youtu.be/nZdmPCRIyYc