Está en la página 1de 27

INDICE

INTRODUCCIN 2 Pg.

ANLISIS DE DECISIONES 3 Pg.

QUE ES UN SISTEMA? 3 Pg.

LA DINMICA DE UN SISTEMA 3 Pg.

PROCESO DE TOMA DE DECISIONES ESTADSTICAS 5 Pg.

ELEMENTOS DE LOS MODELOS DE ANLISIS DE DECISIN 6 Pg.

FUENTE DE ERRORES EN LA TOMA DE DECISIONES 7 Pg.

TOMA DE DECISIONES CON PURA INCERTIDUMBRE 7 Pg.

TOMA DE DECISIONES BAJO RIESGO 8 Pg.

IMPORTANCIA DE LA TOMA DE DECISIONES EN GRUPO 10 Pg.

LA TOMA DE DECISIN Y SU PUESTA EN PRCTICA 12 Pg.

ARBOL DE DECISIONES Y DIAGRAMA DE INFLUENCIA 14 Pg.

ANLISIS DE BAYES 16 Pg.

REPRESENTACIONES DE LA FUNCIN DE UTILIDAD CON APLICACIONES 17 Pg.

LA TEORA DE JUEGOS 19 Pg.

LA MINERA DE DATOS 21 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.

APROXIMACIN PROGRESIVA AL MODELADO: 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 mas de un conjunto de mtodos analticos.
Los especialistas en la construccin de modelos se encuentran normalmente tentados a estudiar el
problema, y luego aislarse a desarrollar un modelo matemtico para ser utilizado por el gerente (es
decir, el tomador de decisiones.) Desgraciadamente el gerente podra no entender el modelo, por lo
tanto podra usarlo ciegamente o simplemente rechazarlo.
QUE ES UN SISTEMA?: Los sistemas estn formados por partes que son puestas en
funcionamiento juntas de una forma particular para obtener un objetivo. La relacin entre las partes
determina lo que el sistema hace y como funciona en general. Por lo tanto, las relaciones en el sistema
son normalmente mas importantes que cada parte individualmente. En general, los sistemas que son
construidos como bloques de otros sistemas se llaman subsistemas.

ANLISIS DE SISTEMAS DE DECISIONES ESTRUCTURADA

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.

LA DINMICA DE UN SISTEMA: Un sistema que no cambia es un sistema esttico (es decir,


determinstico.) Muchos de los sistemas a los cuales pertenecemos son sistemas dinmicos, los cuales
cambian a travs del tiempo. Cuando nos referimos a que cambian a travs del tiempo es de acuerdo al
comportamiento del sistema. Cuando el desarrollo del sistema sigue un patrn tpico decimos que el
mismo tiene un patrn de comportamiento. El sistema ser esttico o dinmico dependiendo del
horizonte temporal que se escoja y de las variables en las cuales se est concentrado. El horizonte
temporal es el periodo de tiempo dentro del cual se estudia el sistema. Las variables son valores
cambiables dentro del sistema.
En los modelos determinsticos, una buena decisin es juzgada de acuerdo a los resultados. Sin
embargo, en los modelos probabilsticas, el gerente no esta preocupado solamente por los resultados,
sino que tambin con la cantidad de riesgo que cada decisin acarrea.

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.

PROCESO DE TOMA DE DECISIONES ESTADSTICAS


A diferencia de los procesos de toma de decisiones determinsticas tal como, optimizacin lineal
resuelto mediante sistema de ecuaciones, sistemas paramtricos de ecuaciones y en la toma de decisin
bajo pura incertidumbre, las variables son normalmente ms numerosas y por lo tanto ms difciles de
medir y controlar. Sin embargo, los pasos para resolverlos son los mismos. Estos son:
1. Simplificar
2. Construir un modelo de decisin
5
3. Probar el modelo
4. Usando el modelo para encontrar soluciones:
o El modelo es una representacin simplificada de la situacin real
o No necesita estar completo o exacto en todas las relaciones
o Se concentra en las relaciones fundamentales e ignora las irrelevantes.
o Este es entendido con mayor facilidad que un suceso emprico (observado), por lo tanto
permite que el problema sea resuelto con mayor facilidad y con un mnimo de esfuerzo
y prdida de tiempo.
5. El modelo puede ser usado repetidas veces para problemas similares, y adems puede ser
ajustado y modificado.
Afortunadamente, los mtodos probabilsticos y estadsticos para el anlisis de toma de decisiones bajo
incertidumbre son ms numerosos y mucho ms poderosos que nunca. Las computadoras hacen
disponible muchos usos prcticos. Algunos de los ejemplos de aplicaciones para negocios son los
siguientes:
Un auditor puede utilizar tcnicas de muestreo aleatorio para auditar las cuentas por cobrar de
un cliente.
Un gerente de planta puede utilizar tcnicas estadsticas de control de calidad para asegurar la
calidad de los productos con mnima inspeccin y menor nmero de pruebas.
Un analista financiero podra usar mtodos de regresin y correlacin para entender mejor la
analoga entre los indicadores financieros y un conjunto de otras variables de negocio.
Un analista de mercadeo podra usar pruebas de significancia para aceptar o rechazar una
hiptesis sobre un grupo de posibles compradores a los cuales la compaa esta interesada en
vender sus productos.
Un gerente de ventas podra usar tcnicas estadsticas para predecir las ventas de los prximos
periodos.

ELEMENTOS DE LOS MODELOS DE ANLISIS DE DECISIN


Las teoras y las tcnicas matemticas que se toman en consideracin en el anlisis de decisiones se
ocupan de las teoras de eleccin prescriptivas (accin). Es decir, la cuestin aqu es ver exactamente
de qu modo se comporta un decisor cuando se enfrenta a una eleccin entre cursos de accin, cuyos
resultados estn regidos por el azar o las acciones de los competidores.
El anlisis de decisiones es un proceso que le permite al decisor seleccionar una decisin (slo una)
entre un conjunto de alternativas posibles de decisin, cuando existe incertidumbre con respecto al
futuro, con el objetivo de optimizar el pago (retorno) resultante, en trminos de algn tipo de criterio
de decisin numrico. Los elementos de los problemas de anlisis de decisiones son los siguientes:
1. Hay un decisor responsable individual. Por ejemplo, el CEO de una compaa que
quizs deba rendir cuentas ante los accionistas.
2. Un nmero finito de eventos (futuros) posibles, llamados Estados de la Naturaleza, es
decir, un conjunto de escenarios posibles. Las circunstancias en las cuales se toma una
decisin se llaman estados de la naturaleza. Los estados de la naturaleza se identifican y
agrupan en el conjunto S; los miembros se denotan como s. El conjunto S es un grupo
de conjuntos mutuamente excluyentes. Es decir, slo puede ocurrir un estado de la
naturaleza. Qu puede hacer la naturaleza?
3. 3. Un nmero finito de alternativas posibles de decisin. Hay una accin a, miembro del
conjunto A, que puede ser adoptada por el decisor. Slo puede adoptar una. Qu puedo
hacer? Una buena decisin requiere buscar un conjunto ms rico de alternativas que las
que se presentaron inicialmente o que las aceptadas tradicionalmente.
Sea breve en la parte de la lgica y la razn de su decisin. Es probable que existan mil
cosas en un automvil, pero usted no las necesita todas para tomar la decisin. Con
media docena es suficiente.
4. La manera ms sencilla de formular el problema de decisin es usando una matriz de
beneficios (tabla). Hay una matriz de beneficios X bien definida, monetaria (y luego de
utilidad) sobre dos conjuntos de dominio dimensionales A y S. Las filas y las columnas
se asignan a las alternativas de decisin posibles y a los estados posibles de la
6
naturaleza, respectivamente.
Normalmente no es tarea sencilla construir esta matriz; por lo tanto, puede requerir algo
de prctica.

FUENTE DE ERRORES EN LA TOMA DE DECISIONES: La fuente principal de errores en los


problemas de toma de decisiones arriesgadas 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.

TOMA DE DECISIONES CON PURA INCERTIDUMBRE


Cuando las decisiones se toman con pura incertidumbre, el decisor no tiene conocimiento de los
resultados de ninguno de los estados de la naturaleza y/o es costoso obtener la informacin necesaria.
En tal caso, la decisin depende meramente del tipo de personalidad que tenga el decisor.

COMPORTAMIENTO SEGN LOS TIPOS DE PERSONALIDAD Y LA TOMA DE


DECISIONES CON PURA INCERTIDUMBRE:
PESIMISMO, o Conservador (Maximin). Hiptesis de mnima. Las cosas malas siempre me suceden
a m.
B 3
a) Escriba el nmero mnimo en cada fila de
S -2
accin.
b) Elija el nmero mximo y realice esa
D 7 *
accin.
Optimismo, Agresivo (Maximax). Las cosas buenas siempre me suceden a m.
B 12
a) Escriba el nmero mximo en cada fila de
S 15 *
accin.
b) Elija el nmero mximo y realice esa
D 7
accin.

MNIMO ARREPENTIMIENTO: (Prdida de Oportunidad de Savag). Odio las lamentaciones.


Debo minimizar las situaciones deplorables. Mi decisin debe ser tal que valga la pena repetirla. Slo
debera hacer las cosas que siento que podra repetir con placer.
El arrepentimiento es el beneficio o rdito de la que hubiera sido la mejor decisin, dadas las
circunstancias, menos el beneficio de la decisin tomada concretamente, dadas las circunstancias.
a) Configure una tabla de arrepentimiento: Tome el nmero ms alto de cada una de las columnas
correspondientes a los estados de la naturaleza (por ejemplo, L) y rstele todos los nmeros de dicha
columna, es decir, L - Xi,j.

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

b)Elija el nmero mximo de cada accin,


c) Elija el nmero mnimo en Paso b, y adopte esa accin.
Toma de decisiones con pura incertidumbre JavaScript E-labs.

LIMITACIONES DE LA TOMA DE DECISIONES BAJO PURA INCERTIDUMBRE


1. En general el anlisis de decisin se asume que el tomador de decisiones se enfrenta un
problema donde el o ella debe escoger por lo menos y como mximo una opcin del
grupo de opciones. En algunos casos estas limitaciones pueden ser superados mediante
la formulacin de una toma de decisin bajo incertidumbre como un juego suma cero de
dos personas.
2. En la toma de decisiones bajo incertidumbre pura, el tomador de decisiones no tiene
conocimientos sobre cual estado de la naturaleza es ms probable que ocurra. El o
ella probablemente ignora los estados de la naturaleza por lo tanto no podra estar
pesimista u optimista. En tal caso, el tomador de decisiones emboca las condiciones de
seguridad.
3. Note que cualquier tcnica utilizada en la toma de decisiones bajo incertidumbre pura,
es solo apropiada para las decisiones de la vida privada. Adicionalmente, una persona
pblica (por ejemplo, se gerente) debe tener algunos conocimientos sobre el estado de
la naturaleza tal que prediga las probabilidades de varios estados de la naturaleza. De lo
contrario, el tomador de decisiones no es capaz de proporcionar una decisin razonable
y defendible.
A usted podra gustarle utilizar el JavaScript E-lab de Toma de Decisiones Bajo Pura Incertidumbre
para comprobar sus clculos y realizar experimentaciones numricas para una comprensin mas
profunda y un anlisis de estabilidad mas de sus decisiones mediante la alteracin de los parmetros
del problema.

TOMA DE DECISIONES BAJO RIESGO


El riesgo implica cierto grado de incertidumbre y la habilidad para controlar plenamente los resultados
o consecuencias de dichas acciones. El riesgo o la eliminacin del mismo es un esfuerzo que los
gerentes deben realizar. Sin embrago, en algunos casos la eliminacin de cierto riesgo podra
incrementar riesgos de otra ndole. El manejo efectivo del riesgo requiere la evaluacin y el anlisis
del impacto subsiguiente del proceso de decisin. Este proceso permite al tomador de decisiones
evaluar las estrategias alternativas antes de tomar cualquier decisin. El proceso de decisin se
describe a continuacin:
1. El problema esta definido y todas las alternativas confiables han sido consideradas. Los
resultados posibles para cada alternativa son evaluados.
2. Los resultados son discutidos de acuerdo a su reembolso monetario o de acuerdo a la ganancia
neta en activos o con respecto al tiempo.
3. Varios valores inciertos son cuantificados en trminos de probabilidad.
4. La calidad de la estrategia ptima depende de la calidad con que se juzgue. El tomador de
decisiones deber examinar e identificar la sensitividad de la estrategia optima con respecto a
los factores cruciales.
Cuando el decisor posee algn conocimiento sobre los estados de la naturaleza puede asignarle
a la ocurrencia de cada estado alguna estimacin subjetiva de probabilidad. En estos casos, el
problema se clasifica como de toma de decisiones con riesgo. El decisor puede asignar
probabilidades a la ocurrencia de los estados de la naturaleza. El proceso de toma de decisin
con riesgo es el siguiente:

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

LOS ESTADOS MS PROBABLES DE LA NATURALEZA: (apropiado para decisiones no


repetitivas)
a) Tome el estado de la naturaleza que tiene la probabilidad ms alta (rompa los empates
arbitrariamente),
b) En esa columna, elija la accin que tiene el mayor beneficio,
En nuestro ejemplo numrico, el Crecimiento tiene una chance del 40%, por eso debemos
comprar Acciones.

PRDIDA DE OPORTUNIDAD ESPERADA (POE):


a) Configure una matriz de beneficios de la prdida tomando el nmero ms alto de las columnas
correspondientes a los estados de la naturaleza (digamos, L) y rstele todos los nmeros de esa
columna, L - Xij.
b) Para cada accin, multiplique la probabilidad y las prdidas, luego agrguelas a cada accin,
c) Seleccione la accin con el POE ms pequeo

Matriz de Beneficios de Prdida


C (0,4) CM (0,2) SC(0,3) B (0,1) POE
Bonos 0,4(15-12) + 0,2(8-8) + 0,3(7-6) + 0,1(7-3) 1,9 *
Acciones 0,4(15-15) + 0,2(8-7) + 0,3(7-3) + 0,1(7+2) 2,3
Depsito 0,4(15-7) + 0,2(8-7) + 0,3(7-7) + 0,1(7-7) 3,4

Clculo del Valor Esperado de la Informacin Perfecta (VEIP)


El VEIP nos ayuda a considerar el valor que tienen las personas informadas (por ejemplo, el demonio),
que son las dueas de la informacin perfecta. Recuerde que el VEIP = POE.
a) Tome el beneficio mximo de cada estado de la naturaleza,
b) Multiplique cada uno por la probabilidad de que ocurra ese estado de la naturaleza y luego smelos,

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

c) Aada filas de cursos de accin y complete la columna Beneficio Esperado,


d) Elija el nmero mximo en Paso c, y adopte ese curso de accin.

IMPORTANCIA DE LA TOMA DE DECISIONES EN GRUPO


Si bien el supervisor casi siempre toma las decisiones solo, hay ocasiones en que debe aprovechar la
ventaja de contar con su grupo de subordinados para tomar ciertas decisiones.
La toma de decisiones en las organizaciones modernas son realizadas en grupo o comits de trabajo,
quedan individualizadas en el momento en que las mismas pasan a formar parte de las bien
estructuradas o estndar.
Esta decisiones individuales o grupales tienen cada una de ellas sus ventajas y desventajas, que
influyen de manera determinante en el rol de la gerencia de nuestras organizaciones.
Vamos analizar las ventajas y desventajas del trabajo en grupo o comits:
Ventajas:

Informacin y conocimiento ms completos: Lgicamente un grupo logra recopilar ms informacin,


teniendo acceso a ms fuentes informativas que un solo individuo, independiente de la educacin y de la
experiencia de este. Por lo tanto los grupos pueden ofrecer mayores aportes, tanto en la cantidad como en
la diversidad para la Toma de decisiones.

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.

Como lograr que funcione la toma de decisiones en grupo


La toma de decisiones en grupo puede utilizarse con mucha eficiencia si el supervisor maneja la
situacin como debe ser. Uno de los factores ms importantes consiste en ganarse el apoyo de los
miembros del grupo; sealndoles el valor de sus aportes en la solucin del problema. Un segundo
enfoque muy til consiste en dar a cada integrante del grupo elementos especficos en que pensar y
trabajar, para que pueda reconocer sus aportes; tambin crear un entorno donde las personas puedan
expresarse abierta y francamente y que estimule tanto los aportes creativos como las discusiones sobre
las fallas o los errores en que podra incurrirse. Esto ltimo es de especial importancia para evitar el
surgimiento del Pensamiento Grupal .
La gerencia debe tomar decisiones dificiles y eso hace imposible hacer felices a todos
Momentos como ste agregan nuevas tensiones y demandas a todos en la empresa. La gerencia tiene
que tomar decisiones difciles y medidas poco populares. Esto no es nada fcil ni agradable. Adems,
eso no demuestra que la gerencia sea vil e insensible.
Observar a una gran empresa pasar por una gran transicin y cambio es como observar a los
participantes de un juego de cartas. Algunos ganan, algunos pierden y otros empatan. Como el
repartidor de cartas, la gerencia debe "trabajar para el bien" de la organizacin, asumiendo que en el
proceso, algunas personas sern ms golpeadas que otras.
Si usted fuera la persona a cargo enfrentara el mismo dilema.
Es fcil sentarse a criticar la manera en que la alta gerencia hace las cosas. Tambin es fcil acusar a la
11
gerencia de no preocuparse por la gente. Cuando a uno no le gusta lo que est sucediendo, la tendencia
natural es buscar a alguien a quien culpar.
Pero en lugar de sealar a sus superiores, considere la posibilidad de que ellos slo estn haciendo lo
que deben hacer. Es muy comn preocuparse profundamente por los dems, y an as, no poderles dar
todo lo que quieren.

LA TOMA DE DECISIN Y SU PUESTA EN PRCTICA

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.

b. Identificar los criterios de decisin:

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"

c. Asignar peso a los criterios:

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.

d. Desarrollar todas las alternativas:

Es la base de la toma de decisiones y no es ms que desplegar las alternativas. El tomador de la


decisin tiene que confeccionar una lista de todas las alternativas posibles y que podran
utilizarse para resolver el problema.

e. Evaluar las alternativas:

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.

f. Seleccionar la mejor alternativa ( Toma de decisiones):

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".

ARBOL DE DECISIONES Y DIAGRAMA DE INFLUENCIA


APROXIMACIN DEL ARBOL DE DECISIONES: 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, representados por medio de una forma cuadrada (el nodo de eleccin), y los nodos de estados
de la naturaleza, representados por crculos (el nodo de probabilidad). Dibuje la lgica del problema
construyendo un rbol de decisiones. Para los nodos de probabilidad asegrese de que las
probabilidades en todas las ramas salientes sumen uno. Calcule los beneficios esperados retrocediendo
en el rbol, comenzando por la derecha y trabajando hacia la izquierda.
Usted puede imaginarse el conducir de su coche, el comenzar en el pie del rbol de la decisin y el
trasladarse a la derecha a lo largo de las ramificaciones. En cada nodo cuadrado usted tiene control,
puede tomar una decisin, y da vuelta a la rueda de su coche. En cada nodo del crculo la seora
Fortuna asume el control la rueda, y usted es impotente.
A continuacin se indica una descripcin paso a paso de cmo construir un rbol de decisiones:
1. Dibuje el rbol de decisiones usando cuadrados para representar las decisiones y
crculos para representar la incertidumbre.
2. Evale el rbol de decisiones, para verificar que se han incluido todos los resultados
posibles.
3. Calcule los valores del rbol trabajando en retroceso, del lado derecho al izquierdo.
4. Calcule los valores de los nodos de resultado incierto multiplicando el valor de los
resultados por su probabilidad (es decir, los valores esperados).
Podemos calcular el valor de un nodo del rbol cuando tenemos el valor de todos los nodos que
siguen. El valor de un nodo de eleccin es el valor ms alto de todos los nodos que le siguen
inmediatamente. El valor de un nodo de probabilidad es el valor esperado de los valores de los
nodos que le siguen, usando la probabilidad de los arcos. Retrocediendo en el rbol, desde las
ramas hacia la raz, se puede calcular el valor de todos los nodos, incluida la raz del rbol. Al
poner estos resultados numricos en el rbol de decisiones obtenemos como resultado el
siguiente grfico:

14
rbol de decisiones tpicos

DIAGRAMAS DE INFLUENCIA: Como puede ser observado en el ejemplo del rbol de


decisiones, la descripcin de las ramas y nudos el problema de decisiones secuenciales
normalmente se hace bastante complicado. En ciertas ocasiones es menos difcil dibujar el
rbol de tal forma que preserve las relaciones que realmente manejan las decisiones. La
necesidad por mantener la validacin, y el rpido incremento en complejidad que usualmente
proviene de los usos liberales de las estructuras recursivas, han provisto del proceso de
decisiones para describir otros. La razn para esta complejidad es que el actual mecanismo
computacional que sola analizar el rbol, esta encarnado directamente dentro de los rboles y
las ramas. Las probabilidades y valores requeridos para calcular los valores esperados de las
siguientes ramas estn expresamente definidos en cada nudo.
Los Diagramas de Influencia tambin son utilizados para el desarrollo de modelos de decisin
y como una alternativa de representacin grafica de rboles de decisin. La figura siguiente
muestra un diagrama de influencia para nuestro ejemplo numrico.

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))

COMO REALIZAR LA SIMULACIN DE JUEGO DE SUMA CERO.


Para el juego del suma-cero, DA permite jugar o simular el juego. Para jugar o simular el juego, este es
el procedimiento:
1. Seleccione el comando Perform Zero-sum Game Simulation. El programa plantear una forma
para permitirle especificar la simulacin.
2. Especifique la semilla del azar y/o cuntos juegos se jugarn para la simulacin.
3. Especifique o modifique las probabilidades de la estrategia. El valor por defecto son las
probabilidades ptimas del mtodo del simplex.

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.

REPRESENTACIONES DE LA FUNCIN DE UTILIDAD CON APLICACIONES


Una funcin de utilidad transforma el uso de un resultado en un valor numrico que mide la valoracin
personal del resultado. La utilidad de un resultado puede estar dentro de una escala comprendida entre
0 y 100, as como hicimos en nuestro ejemplo numrico, convirtiendo la matriz monetaria en una
matriz de utilidad . Esta funcin de utilidad puede ser una simple tabla, un sutil grfico continuo
ascendente, o una expresin matemtica de un grfico.
El objetivo es representar la funcin funcional entre las entradas en la matriz monetaria y los
resultados obtenidos anteriormente de la matriz de utilidad. Usted podra preguntarse Qu es una
funcin?
Qu es una funcin? Una funcin es algo que hace algo. Por ejemplo, una maquina para moler caf
es una funcin que transforma el grano de maz en polvo. Una funcin de utilidad transforma
(convierte) la esfera de entradas (valores monetarios) hacia un rango de salidas o resultados, con dos
valores finales de utilidad 0 y 100. En otras palabras, la funcin de utilidad determina el grado de
sensibilidad de las preferencias del tomador de decisiones.
Este catulo presenta un proceso general para determinar la funcin de utilidad. La presentacin esta en
el contexto de los resultados numricos del captulo anterior, a pesar de que se repiten datos.

REPRESENTACIN DE LA FUNCIN DE UTILIDAD CON APLICACIONES: Existen tres


mtodos diferentes de representar funciones: el Tabular, el Grfico, y la Representacin Matemtica.
La seleccin de un mtodo sobre el otro depender de las habilidades matemticas que tenga el
tomador de decisiones de forma tal de entenderlo y usarlo fcilmente. Los tres mtodos evolucionan en
su procesos de construccin respectivos; por lo tanto, se podra proceder al mtodo siguiente si es
preciso.
La funcin de utilidad es normalmente usada para predecir la utilidad del tomador de decisiones para
un valor monetario dado. La prediccin y precisin aumentan desde el mtodo tabular al matemtico.
REPRESENTACIN TABULAR DE LA FUNCIN DE UTILIDAD: Podemos tabular los pares
de datos (D, U) usando las entradas de la matriz que representan los valores monetarios (D) y sus
utilidades correspondientes (U) de la matriz de utilidad obtenida previamente. La forma tabular de la
funcin de utilidad para nuestro ejemplo numrico es dada por la siguiente tabla de pares de datos (D,
U):
Funcin de Utilidad (U) de la Variable Monetaria (D) en Forma Tabular

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

Representacin Tabular de la Funcin de Utilidad para el Ejemplo Numrico


Como puede ver, la representacin tabular esta limitada a los valores numricos dentro de la tabla.
Suponga que se desea obtener la utilidad en dlares, digamos $10. Se podra usar el mtodo de
interpolacin; sin embargo, porque la funcin de utilidad normalmente es no-lineal; el resultado
interpolado no representa la utilidad del tomador de decisiones acertadamente. Para enfrentar esta
dificultad, se debera usar el mtodo grfico.
Representacin Grafica de la Funcin de Utilidad: Se puede dibujar una curva utilizando el
diagrama de dispersin obtenido mediante la graficacin de los datos en la forma Tabular sobre un
papel de grfico. Ya con el diagrama de dispersin, necesitamos decidir primero la forma de la funcin
de utilidad. El grfico de utilidad esta caracterizado por sus propiedades de ser sutil, continuo, y curva
de forma creciente. Normalmente, una funcin con forma de parbola se ajusta relativamente bien a las
esferas angostas de la variable D. Para esferas ms amplias, se podran ajustar algunas piezas pequeas
de una funcin de parbola, una para cada sub-esfera apropiada.
Para nuestro ejemplo numrico, el grafico siguiente es una funcin sobre el intervalo usado en el
modelo de la funcin de utilidad, dibujado con la utilidad asociada (eje de las U) y el valor asociado en
17
dlares (eje de las D). Note que en el diagrama de dispersin los puntos mltiples estn representados
por crculos pequeos.

REPRESENTACIN GRFICA DE LA FUNCIN DE UTILIDAD PARA EL EJEMPLO


NUMRICO
La representacin grfica tiene una gran ventaja sobre la tabular y es que se puede leer la utilidad en
dlares de $10 directamente del grfico, como se muestra en la figura anterior para nuestro ejemplo
numrico. El resultado es aproximadamente U = 40. Leyendo un valor del grfico no es conveniente;
por lo tanto, para los procesos de predicciones, un modelo matemtico es el que mejor funciona.
REPRESENTACIN MATEMTICA DE LA FUNCIN DE UTILIDAD: Podemos construir un
modelo matemtico para una funcin de utilidad utilizando la forma de la funcin de utilidad obtenida
mediante su representacin del Mtodo Grfico. Normalmente, una funcin con forma de parbola se
ajusta relativamente bien a las esferas angostas de la variable D. Para esferas ms amplias, se podran
ajustar algunas piezas pequeas de una funcin de parbola, una para cada sub-esfera apropiada.
Sabemos que queremos una funcin cuadrtica que se ajuste mejor al diagrama de dispersin que ha
sido construido previamente. Por lo tanto, utilizamos el anlsis de regresin para estimar los
coeficientes en la funcin que mejor se ajusta a los pares de datos (D, U).

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.

LA TEORA DE JUEGOS 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. El juego suma-cero de dos- personas juega un papel fundamental en el desarrollo
de la teora de juegos.

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.

LA MINERA DE DATOS Y EL DESCUBRIMIENTO DE CONOCIMIENTOS EN BASES DE


DATOS
Existe cierta tendencia a identificar como sinnimos a la minera de datos y el descubrimiento de
conocimientos en bases de datos, que de forma abreviada se refiere con las siglas KDD ( del ingls
Knowledge Discovery in Data Bases), la convergencia del aprendizaje automtico, la estadstica, el
reconocimiento de patrones, la inteligencia artificial, las bases de datos, la visualizacin de datos, los
sistemas para el apoyo a la toma de decisiones, la recuperacin de informacin y otros muchos
campos.
El KDD es el proceso completo de extraccin de conocimientos, no trivial, previamente desconocidos
y potencialmente til a partir de un conjunto de datos, mientras que la minera de datos es una
compilacin de tcnicas reunidas para crear mecanismos adecuados para la toma de decisiones. Entre
estas tcnicas se pueden citar la estadstica, el reconocimiento de patrones, la clasificacin y la
prediccin, la excavacin de informacin relevante de la administracin empresarial, el control de la
produccin, el anlisis de los mercados, el diseo en ingeniera y la exploracin cientfica. 3 En otras
palabras, el concepto minera de datos se asocia al proceso de construccin de reglas a partir de
colecciones de datos con una finalidad previamente determinada y para su uso en la toma de decisiones
con respecto a dicha finalidad. El concepto de KDD no comprende necesariamente esta segunda parte.
Esta diferencia, muchas veces inadvertida, puede ser la causa de que ambos conceptos se utilicen
indistintamente en gran parte de la literatura.
Recientemente ha alcanzado gran popularidad la construccin de almacenes de datos (Data
Warehouse, en ingls) que tambin puede verse traducido de otras formas, bodegn de datos, por
ejemplo. Aunque un almacn es una base de datos en s, se diferencia de esta en que contiene
resmenes, consolidaciones y anlisis de la interrelacin de los datos a travs del tiempo. Por sus
caractersticas, a un almacn de datos se accede con menos frecuencia que a las bases de datos
temporales, y es la forma ms simple de permitir el acceso a los datos y de facilitar la toma de
decisiones sobre la base de los procesos.
Un Data warehouse se conforma con datos operacionales y se disea con el propsito de facilitar la
toma de decisiones. La informacin que se almacena en l, nunca se actualiza y slo se habilita para
22
consultas. Del otro lado, integra y hace consistentes a los datos extrados de las bases de datos
operacionales.
Puede resultar conveniente construir data warehouse localizados y especficos para un objetivo
determinado. Estos depsitos reciben el nombre de datamarts.
Un enfoque que ha cobrado actualmente fuerza es el anlisis en lnea (en ingls, denominado On-Line
Analytical Processing u OLAP). Se trata de una tecnologa orientada al acceso y el anlisis de datos en
lnea. Su nombre se deriva del contraste con el procesamiento de transacciones en lnea (On-Line
Transaction Processing, OLTP). Mientras que el OLTP depende de bases de datos relacionales, el
OLAP ha desarrollado una tecnologa de bases de datos multidimensionales. Estas bases de datos
fundan los cimientos para el desarrollo de los clculos y anlisis multidimensionales que requiere la
inteligencia empresarial.4

CRITERIOS PARA APLICAR LOS MTODOS DE LA MINERA DE DATOS


Factibilidad econmica - organizativa: existe potencialmente un impacto significativo, no se
conocen mtodos alternativos, se dispone de personal calificado, no existen problemas de legalidad
o violacin de la informacin.
Factibilidad tcnica: se dispone de suficientes datos, los datos contienen rasgos relevantes, existe
poco ruido en los datos y se domina la aplicacin de los mtodos.

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