I.

IDENTIFICACIÓN

CURSO : ANÁLISIS CUANTITATIVO PARA LA TOMA DE DECISIONES

TRADUCCIÓN : QUANTITATIVE ANALYSIS FOR DECISION MAKING
SIGLA : EAM435-1
CRÉDITOS : 05 UC
MÓDULOS : 03/Trimestral
REQUISITOS : Sin requisitos
CARÁCTER : Mínimo
TIPO : Cátedra
CALIFICACIÓN : Estándar (Calificación de 1.0 a 7.0)
PROFESOR : Pablo Marshall (pmarshall@uc.cl)
HORARIO : Lunes de 18:00 a 21:00 hrs.
FECHAS : 13 de marzo al 17 de abril, 2023
FORMATO : Híbrido

II. DESCRIPCIÓN DEL CURSO

El mundo de los negocios modernos enfrenta a los ejecutivos con la necesidad de tomar decisiones
complejas en las cuales se deben analizar muchas acciones posibles en ambientes de incertidumbre. En
cualquiera de los ámbitos de la administración de organizaciones: estrategia, operaciones, finanzas,
marketing o recursos humanos, una gestión exitosa requiere que los ejecutivos puedan estructurar
problemas de decisión, evaluar las acciones alternativas y tomar la mejor decisión dada la información
disponible.

En este curso se pretende desarrollar en los alumnos la capacidad para abordar y estructurar problemas
de decisiones propios de la gestión de negocios de manera de orientar una toma de decisiones óptima.
El curso considera una metodología para estructurar problemas de decisiones, el análisis de
problemas de decisión caracterizados por la disponibilidad de una gran cantidad de información, las
distintas formas de cuantificar y analizar la incertidumbre propia de los problemas de decisiones y el
análisis de relaciones entre variables.

III. OBJETIVOS DE APRENDIZAJE

Al finalizar el curso el alumno estará capacitado para:

• Formular problemas de decisión de acuerdo a la teoría de decisiones, incorporando conceptos

de probabilidad y análisis de información.
• Analizar un conjunto de datos estadísticos con el propósito de resumir información para apoyar
la toma de decisiones.
• Evaluar el alcance, en términos de valor, de proyectos de Big Data y Business Analytics.
• Modelar la relación causal entre dos o más variables para apoyar la toma de decisiones.
IV. CONTENIDOS

1. Teoría de la Decisión (Clase 1)

a) Arboles de Decisión
b) Decisiones Óptimas

Caso: Express Bike Works: Washing in Style (HBS)

Lecturas:

• The Hidden Traps in Decision Making. J.S. Hammond, R.L. Keeney y H. Raiffa, HBR, September-
October 1998.
• Data, Models and Decisions. Cap. 1.

2. Simulación y Teoría de la Decisión (Clase 2)

a) Modelos de Probabilidad
b) Decisiones Óptimas

Caso: London Investment Bank: Casterbridge

Lecturas:

• Modelos de Probabilidad, Pablo Marshall

• Data, Models and Decisions. Cap. 5

3. Información y Teoría de la Decisión (Clase 3)

a) Teoría de la Decisión con Información
b) Valor de la Información

Caso: Airbus and Boeing: Super-Jumbo Decisions (HBS)

Lectura:
• Data, Models and Decisions. Cap. 1.

4. Big Data & Business Analytics (Clase 4)

a) El Valor de Big Data en Negocios
b) Business Analytics

Caso: Fraport: El aeropuerto Conectado

Lecturas:

• Etica y Big Data. Columna Diario Financiero, Pablo Marshall.

• The Role of Surveys in the Era of Big Data, M. Callegaro & Y. Yang, en The Palgrave Handbook
of Survey Research, 2017.
• Machine Learning: Trends, Perspectives, and Prospects, M.I. Jordan and T.M. Mitchell.
Science
17 July 2015, Vol 349 Issue 6245, pp.255-260.
• How to Win Machine Learning, A. Agrawal & J. Gans A. Goldfarb. HBS, 2020.
 5. Modelos de Regresión (Clase 5)
a) Modelos de Regresión Simple
b) Modelos de Regresión Múltiple

Caso: Ventas Territorios

Lectura:

• Data, Models and Decisions, Cap. 6

6. Aplicaciones Modelos de Regresión (Clase 6)

a) Modelos de Regresión Múltiple
b) Correlación y Causalidad

Caso: GoodBelly: Using Statistics to Justify the Marketing Expense (HBS)

Lectura: Data, Models and Decisions, Cap. 6

V. METODOLOGÍA PARA EL APRENDIZAJE

El curso se desarrolla fundamentalmente a través de clases expositivas, lectura de un texto guía y

apuntes, la discusión de casos y la aplicación mediante ejercicios y tareas. En general los métodos
estadísticos y los modelos de probabilidad están basados en desarrollos matemáticos no triviales.
Sin embargo, todos estos métodos y modelos tienen asociada una parte intuitiva y aplicada y es ésta
a la cual se le pone énfasis en el curso. El curso no considera desarrollos matemáticos más allá de lo
estrictamente mínimo y se concentra en la intuición de los conceptos y métodos, en la aplicación de
las metodologías, en el uso de programas computacionales y en la interpretación de los resultados.

VI. EVALUACIÓN DE APRENDIZAJES

• Casos: 40% (grupos de 3-4 alumnos)

• Examen: 50%
• Participación en Clases: 10%

VII. BIBLIOGRAFÍA

• The Hidden Traps in Decision Making. J.S. Hammond, R.L. Keeney y H. Raiffa, HBR, September-
October, 1998.
• Data, Models and Decisions. The Fundamentals of Management Science, D. Bertsimas y R.M.
Freund, Second Edition, 2008, Dynamic Ideas.
• Machine Learning: Trends, Perspectives, and Prospects, M.I. Jordan and T.M. Mitchell. Science
17 July 2015, Vol 349 Issue 6245, pp.255-260.