INSTITUTO TECNOLGICO SUPERIOR DE COATZACOALCOS

TRABAJO A PRESENTAR: INVESTIGACIN DEL TEMA 1.6 TEORA DE DECISIN EN ESTADSTICA

CARRERA: ING. GESTIN EMPRESARIAL

GRADO Y GRUPO: 4 A

NOMBRE: VELASCO LUGO KARLA VALERIA

DOCENTE: ING. EDUARDO LPEZ DE LOS SANTOS

ASIGNATURA: ESTADSTICA INFERENCIAL I

NDICE:

Introduccin---------------------------------------------------------------------------------------3

Desarrollo:

Teora De La Decisin En Estadstica-----------------------------------------------------4

Mtodos De Inferencia En La Teora De La Decisin

Estimacin por punto------------------------------------------------------------------5

Estimacin por regiones de confianza--------------------------------------------6

Obtencin de reglas de Bayes y de reglas Minimax --------------------------6

rboles De Decisin-------------------------------------------------------------------8

Conclusiones------------------------------------------------------------------------------------10

Bibliografas--------------------------------------------------------------------------------------11

INTRODUCCIN:
En esta investigacin hablaremos sobre la teora de decisin en estadstica. En esta teora se vuelven a estudiar los problemas de inferencia, en los que todos los elementos ya estn incluidos en el proceso de inferencia y son formalmente definidos, y adems se introducen y se desarrollan tambin los criterios de optimalidad deseables que deben cumplir los procedimientos que se utilizan. Nos ayudar a aplicar problemas en torno a decisiones que debemos tomar ocupando la ayuda de la inferencia y esta teora para buscar las mejores soluciones a ciertos problemas.

1.6 TEORA DE DECISIN EN ESTADSTICA

La teora de decisin es una teora matemtica para la toma de decisiones cuando existe incertidumbre. As en su acepcin ms general, en la Teora de Decisin se estudian formas de determinar la funcin de prdida, ms bien su opuesta que es la funcin de utilidad, y de determinar buenas reglas de decisin. La calidad de una regla de decisin se cuantifica mediante la funcin de riesgo que es la esperanza de la funcin de prdida respecto a la distribucin.

Los principales objetivos de la Teora de Estadstica de Decisiones son:

a) Aprender cmo usar las muestras para decidir si una o unas poblaciones poseen caractersticas particulares. b) Determinar que tan improbable es que una o ms muestras observadas haya provenido de una poblacin hipottica. c) Comprender los tipos de errores posibles que se producen al probar las hiptesis. Daena: International Journal of Good Conscience. 5(1) 185-207. ISSN 1870-557X 186 d) Aprender cmo la prueba de hiptesis para las diferencias existentes entre medias de poblacin toman diferentes formas. e) Diferenciar entre muestras independientes y dependientes cuando se comparan dos medias. f) Aprender cmo y cundo usar las distribuciones t y normal para probar hiptesis sobre medias y proporciones de poblacin.

Mtodos De Inferencia En La Teora De La Decisin

Estimacin por punto: Si a partir de las observaciones de una muestra se calcula un solo valor como estimacin de un parmetro de la poblacin desconocido, el procedimiento se denomina estimacin puntual. Por ejemplo queremos estimar la nota media de los alumnos de bachiller en la asignatura de matemticas que notaremos . Sea X la variable aleatoria que

indica la nota obtenida por cada estudiante. Tomamos una muestra de tamao n y denotamos la nota media de la muestra. Si al tomar una muestra de 100

estudiantes obtenemos que la media es 62, este nmero lo tomaramos como estimativo de . Decimos que 62 es una estimacin puntual de .

Un estimador puntual T de un parmetro

es cualquier estadstica que nos

permita a partir de los datos muestrales obtener valores aproximados del parmetro . Para indicar que T es un estimador del parmetro escribimos =T .

Con esto queremos decir que empleamos la expresin dada mediante T para obtener valores prximos al valor del parmetro. Es muy probable que haya error cuando un parmetro es estimado. Es cierto que si el nmero de observaciones al azar se hace suficientemente grande, stas proporcionaran un valor que casi sera semejante al parmetro; pero a menudo hay limitaciones de tiempo y de recursos y se tendr que trabajar con unas cuantas observaciones. Para poder utilizar la informacin que se tenga de la mejor forma posible, se necesita identificar las estadsticas que sean buenos estimadores. Hay cuatro criterios que se suelen aplicar para determinar si una estadstica es un buen estimador: Insesgamiento, eficiencia, consistencia y suficiencia.

Estimacin por regiones de confianza: Sea una variable aleatoria X cuya distribucin depende de un parmetro de la variable ( ) Un intervalo de confianza aleatorio a un nivel de ; para

obtener informacin sobre este parmetro, tomamos una muestra aleatoria simple es

un conjunto de posibles valores del parmetro, dentro del cual se encuentra el verdadero valor del mismo con una probabilidad de . Este conjunto est

delimitado por dos estadsticos: el primero de ellos, el extremo inferior del intervalo, es un estimador por defecto del parmetro, mientras que el segundo, el extremo superior del intervalo, es un estimador por exceso del mismo. Cuando la muestra se concreta, el intervalo pasa de ser aleatorio a ser un intervalo en la recta real en el que confiamos que est el verdadero valor del parmetro.

Obtencin de reglas de Bayes y de reglas Minimax: Decisin sin experimentacin. En las siguientes secciones, a menos que se diga lo contrario, se supone que el grupo decisor solo tiene un solo objetivo (el que sea) y que la funcin f (aj, k ) est dada en decisiones monetarias. El grupo de asesor tiene que escoger una alternativa aj A dado un estado de la naturaleza k . Como se desconoce cul ser el estado k, la decisin opta por utilizar un criterio mnimax, es decir, para una k dada elegir aquella aj A que genere el mximo f (aj, k ). Sea esta accin la a*jk (el subndice j in dica la fila y el k, la columna de la matriz f (aj, k )) entonces, el criterio mnimas consiste en seleccionar el mnimo de todas las a*jk identificadas anteriormente, es decir, el grupo decisor elegir Mn {a*jk}. Este criterio es similar al que se utiliza en la teora de juegos; en este caso un jugador es el grupo decisor y el otro la naturaleza. El grupo decisor desea minimizar los mximos riesgos que puedan afrontar o bien su equivalente: maximizar los mnimos beneficios que se puedan derivar

El tipo de criterio mnimax ha sido criticado por que supone que la naturaleza es malvola y trata de hacer el mayor dao posible al oponente (en este caso el grupo decisor), como la naturaleza no es as se debe buscar un criterio substituto al mnimax o maximin. El criterio de Bayes supone que los estados que presentan la naturaleza son variables aleatorias que pueden o no tener una distribucin de probabilidad conocida o estimada. Si esta distribucin se conoce o se le puede estimar por datos histricos, entonces se le llama distribucin a priori. todas las distribuciones a priori son subjetivas, ya que se estiman en funcin a la experiencia o intuicin de los individuos que forman el grupo decisor. Decisin con experimentacin. Sea X una variable aleatoria que denota la informacin disponible de una muestra aleatoria a travs de la experimentacin. Por ejemplo, el mximo valor observado o un simple vector de observaciones. El decisor debe seleccionar una serie de reglas, conocidas como polticas o estrategias, que le orienten sobre el uso que deba darle a la informacin derivada de un experimento con el fin de apoyar su toma de dediciones. Sea g(y) una funcin que se define como: a=g(y) si X = y, Es decir, se selecciona la accin a, si la variable aleatoria X toma el valor y. el decisor seleccionara dentro de todas las acciones aj A generadas por esta funcin, aquella que satisfaga cierto criterio de optimalidad (el que sea). Como y es una variable aleatoria, la funcin g (y) tambin lo es; por lo tanto se requiere hablar de valores esperados. Complementariamente se requiere de otra funcin que ligue al posible estado de la naturaleza con la accin seleccionada aj A, que a su vez se deriva del valor de la variable aleatoria X. esta funcin, conocida como funcin de riesgo, se define como: R(g(y), k)=E{f(g(y) k)}-C

Donde el valor esperado se toma con respecto a la distribucin de la variable aleatoria X y C es el costo del experimento la funcin de riesgo debe incluir obviamente el costo del experimento. rboles De Decisin Un mtodo diagramtico para representar y analizar los problemas de decisin. Un rbol de decisin es un diagrama del problema que tiene el decisor. Los rasgos principales del rbol son puntos de ramificacin y cada punto designa una seleccin de acciones, una de las cuales debe ser tomada por el decisor, o un grupo de resultados con incertidumbre, uno de los cuales ocurrir El primer tipo de puntos de ramificacin se conoce como nudo de decisin y l ultimo tipo es llamado nudo de incertidumbre.

El proceso bayesiano de decisin, con o sin experimentacin puede representarse y resolverse grficamente a travs de los llamados rboles de decisin. Por medio de este mtodo grafico se expresa en orden cronolgico las acciones disponibles al divisor y los eventos variables a asociados a los estados de la naturaleza. Las primeras se representan en el rbol por un cuadrado; los segundos, por un circulo. Los rboles de decisin contemplan dos etapas:

diseo solucin.

El diseo se hace cronolgicamente de izquierda derecha la solucin, en sentido contrario. Para resolver el rbol de decisin se utiliza en cada una de las ramas asociadas al estado de la naturaleza (1, 2, 3, 4) el valor de la funcin de consecuencias la funcin f (aj, k) correspondiente para la parte sin experimentacin, se utiliza las distribuciones a priori, p (k) que genera los valores esperados de los nodos 1.1.1, 1.1.2 y 1.1.3 respectivamente. El mximo de estos tres valores es el que se asocia al nodo 1.1. en cambio , para las ramas de al extrema derecha que se derivan del nodo de experimentacin 1.2, se utilizan las distribuciones a posteriori h/x = y, ( k ), para calcular los valores esperados de los nodos 1.2.1.1, 1.2.1.2, 1.2.1.3, 1.2.2.1, 1.2.2.2, 1.2.2.3, 1.2.3.1, 1.2.3.2, 1.2.3.3, 1.2.4.1, 1.2.4.2 y 1.2.4.3. En forma similar se calculan los valores esperados de los nodos 1.2.2, 1.2.3 y 1.2.4. estos valores afectados por la distribucin marginal. Valor esperado del nodo 1 resultado del proceso de decisin, es el mximo de los valores del nodo 1.1 y del nodo 1.2, a este ultimo deducindole el costo de la experimentacin. Se utiliza el operador mximo para ganancias y mnimo para perdidas. En el siguiente rbol observamos un ejemplo de lo anteriormente expuesto.

CONCLUSIN:

En esta investigacin que realic entend un poco ms acerca de este tema, que es un estudio formal sobre la toma de decisiones, para elegir la mejor alternativa. Creo que este tema investigado nos servir de mucho en nuestras cuestiones cotidianas, y sobre nuestra carrera, ya que a nivel empresarial se requieren hacer estudios perfectamente elaborados, para tomar la mejor decisin posible, y para eso est la teora de decisiones de estadstica inferencial. Al analizar esta teora estadstica de decisiones, se puede decir que al tomar una decisin sobre un algn problema a resolver en especfico, debemos tomar en cuenta los puntos clave a solucionar, y as analizar cada dato, hasta que tengamos una solucin que sea similar o exacta a lo que se est buscando, y en dado caso que no obtengamos la solucin, buscar otras que lleguen al resultado esperado.

10

BIBLIOGRAFAS:

La Estadstica y la probabilidad en el bachillerato, Ministerio de Educacin, Cultura y Deporte, Editorial Secretara General Tcnica, p.143.

http://thales.cica.es/rd/Recursos/rd99/ed99-0018-04/MINTCONF.html Fecha: 24/Febrero/2012 Hora:02:36pm

http://html.rincondelvago.com/teoria-de-la-decision_1.html Fecha: 24/Febrero/2012 Hora:03:42pm

Inferencia Estadstica, Miguel ngel Gmez Villegas, Editorial Daz de Santos, Espaa, 2005, p.270

11