Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La toma de decisiones y la resolucin de problemas son dos de las reas ms difciles en el trabajo profesional. Casi todos los profesionales han estudiado algo acerca de diagnstico tcnico de problemas y resolucin de problemas. Tomar una decisin a nivel gerencial requiere un proceso diferente, aunque con algunas similitudes.
La capacidad de tomar decisiones es uno de los atributos que siempre surge cuando los profesionales hablan de personas de xito y analizan sus caractersticas. Los buenos tomadores de decisiones no nacen afortunados; pero las condiciones naturales ayudan.
La capacidad de tomar decisiones se puede ensear y desarrollarse, pero eso no significa que sea posible "fabricar bolsas de seda con orejas de chancho". Los procesos analticos para dividir la resolucin de problemas en una serie de pasos han sido usados para formar a gerentes durante varias dcadas.
La primera tcnica decisoria que es preciso dominar es la capacidad de diferenciar entre las decisiones directas, regulares, y hasta urgentes, y las decisiones ms complejas que justifican el anlisis requerido para llegar a un buen resultado.
de tomar las decisiones de rutina, nos quedan las decisiones ms complejas, y con frecuencia ms difciles. suelen exigir una gran cantidad de informacin y mucha discusin antes de ser
Estas
La primera cuestin a dilucidar es quin se ocupar de la decisin y cmo. Si no se trata de una decisin particularmente importante, puede ser delegada. Si la decisin afecta directamente a los empleados pero no es muy significativa para la marcha de la empresa, puede requerir participacin, y discusin en grupo.
La eleccin del tomador de decisiones es muy importante y con frecuencia muestra la diferencia entre el profesional experimentado y el "aficionado". Entran en juego en esta eleccin muchas consideraciones, como, por ejemplo la poltica interna, los intereses creados, los intereses personales, las simpatas y antipatas.
El estilo japons de toma de decisiones complejas ilustra muy bien este punto. Tal vez sea demasiado moroso y hasta frustrante para los occidentales. Los japoneses insisten en la discusin a fondo, la difusin de la informacin y el acuerdo consensual, no importa cunto tiempo tome. Una vez tomada una decisin con consenso, los involucrados sern totalmente responsables; generalmente, esto mejora la calidad y la eficiencia del resultado.
Las decisiones importantes que implican situaciones complejas son las ms difciles y constituyen una prueba de que un profesional es realmente capaz. La mayora de los cursos de decisin gerencial se concentran en las tcnicas gerenciales. Hay muchas tcnicas financieras tiles como ayudas para la toma de decisiones; por ejemplo, flujo de fondos descontados, mtodos de valor actual, anlisis del punto crtico, perodo de recuperacin, etc.
El proceso decisorio Antes de estudiar las tcnicas, es preciso entender el proceso a seguir para tomar una decisin eficaz. Es ms importante seguir un proceso lgico paso a paso para tomar decisiones, que tratar de aplicar las ltimas tcnicas a una variedad de problemas. Los procesos decisorios existen hace cientos de aos; en general, siguen la lnea de la toma de decisiones en ciencia.
3. Las alternativas de la etapa tres son importantes para evitar que la gente adhiera a una primera solucin y la defienda. Adems, aseguran que la gente no adopte un enfoque limitado y se niegue a pensar positivamente en los dems. Una alternativa que siempre debe ser considerada es mantener el statu quo o no hacer nada. Es mejor considerar los pro y los contra de dejar la situacin como est que no hacer nada por inercia o indecisin
Pensamiento paralelo El pensamiento paralelo es un aspecto de la toma de decisiones que puede ser til en la creacin de soluciones innovadoras. Es la capacidad de pensar fuera de los canales normales o conformistas, y de librarse de los prejuicios que limitan la aceptacin de ideas nuevas.
Generalmente, se tiende a caer en hbitos de pensamiento y a obrar siguiendo canales ya gastados por la experiencia propia y la de los precedentes. Cuntas veces sucede, al conducir un automvil por una ruta conocida -de la oficina a casa, por ejemplo- darse cuenta, al llegar, de que no se recuerda absolutamente nada del viaje? Tal vez, el conductor tena la intencin de detenerse en el camino y entrar en una oficina, pero condujo automticamente y olvid el trmite.
Desarrollar el pensamiento paralelo es una manera de salirse de los canales del pensamiento normal y favorecer el surgimiento de ideas nuevas. La tcnica ms conocida es el intercambio frentico de ideas. Un grupo pequeo y variado de personas se rene, estudia un problema y produce la mayor cantidad posible de ideas en corto tiempo.
El enfoque matemtico o cuantitativo en la administracin constituye un desarrollo de la racionalidad aplicada a la toma de decisiones, la cual se asume guiada por la optimizacin.
En todo caso, los procesos de anlisis cuantitativo ayudan a construir racionalmente los problemas, a determinar racionalmente las alternativas ms idneas y, sobre todo, a evaluar las opciones ms relevantes, de modo que en reas como la administracin de la produccin, la administracin financiera, entre otras, el anlisis cuantitativo sea necesario y muchas veces indispensable.
Algunos de los modelos cuantitativos ms bsicos que surgen en aplicaciones de negocios y econmicas, son aquellas que implican la relacin entre una variable de volumen, como el volumen de produccin o el volumen de ventas, y el costo, el ingreso y la utilidad.
Por medio de estos modelos, el gerente puede determinar el costo, ingreso o utilidad proyectados, o todos ellos asociados con una cantidad de produccin establecida o un volumen de ventas pronosticado.
La planificacin financiera, la planificacin de la produccin, las cuotas de ventas y otras reas de la toma de decisiones pueden beneficiarse de dichos modelos de costo, ingreso y ganancia.
Funcin de Costo
Funcin de Costo
Funcin de Ingreso
Funcin Utilidad
Funcin Utilidad
PROBABILIDAD
Definicin intuitiva: El concepto o idea que generalmente se tiene del trmino probabilidad es adquirido de forma intuitiva. Se puede interpretar como la medida numrica de la posibilidad de que ocurra un suceso A cuando se realiza el experimento aleatorio.
PROBABILIDAD
A esta medida la llamaremos probabilidad del suceso A y la representaremos por p(A). La probabilidad es una medida sobre la escala 0 a 1 de tal forma que: Al suceso imposible le corresponde el valor 0 Al suceso seguro le corresponde el valor 1 El resto de sucesos tendrn una probabilidad comprendida entre 0 y 1
PROBABILIDAD
Definicin Clsica:
Fue una de las primeras que se dieron (1900) y se atribuye a Laplace. Tambin se conoce con el nombre de probabilidad a priori pues, para calcularla, es necesario conocer, antes de realizar el experimento aleatorio, el espacio muestral y el nmero de resultados o sucesos elementales que entran a formar parte del suceso.
PROBABILIDAD
La aplicacin de la definicin clsica de probabilidad puede presentar dificultades de aplicacin cuando el espacio muestral es infinito o cuando los posibles resultados de un experimento no son equiprobables. Ej: En un proceso de fabricacin de piezas puede haber algunas defectuosas y si queremos determinar la probabilidad de que una pieza sea defectuosa no podemos utilizar la definicin clsica pues necesitaramos conocer previamente el resultado del proceso de fabricacin.
PROBABILIDAD
Para resolver estos casos, se hace una extensin de la definicin de probabilidad, de manera que se pueda aplicar con menos restricciones, llegando as a la definicin frecuentista de probabilidad.
PROBABILIDAD
La definicin frecuentista consiste en definir la probabilidad como el lmite cuando n tiende a infinito de la proporcin o frecuencia relativa del suceso. Es imposible llegar a este lmite, ya que no podemos repetir el experimiento un nmero infinito de veces, pero si podemos repetirlo muchas veces y observar como las frecuencias relativas tienden a estabilizarse.
PROBABILIDAD
Esta definicin frecuentista de la probabilidad se llama tambin probabilidad a posteriori ya que slo podemos dar la probabilidad de un suceso despus de repetir y observar un gran nmero de veces el experimento aleatorio correspondiente. Algunos autores las llaman probabilidades tericas.
PROBABILIDAD
Ejemplo: En una caja se tienen 4 bolas de color rojo y 6 bolas de color verde. Cual es la probabilidad de sacar una bola de color rojo? Cual es la probabilidad de sacar una bola de color verde?
PROBABILIDAD
PROBABILIDAD CONDICIONAL
Hasta ahora hemos introducido el concepto de probabilidad considerando que la nica informacin sobre el experimiento era el espacio muestral. Sin embargo hay situaciones en las que se incorpora informacin suplementaria respecto de un suceso relacionado con el experimento aleatorio, cambiando su probabilidad de ocurrencia.
PROBABILIDAD CONDICIONAL
El hecho de introducir ms informacin, como puede ser la ocurrencia de otro suceso, conduce a que determinados sucesos no pueden haber ocurrido, variando el espacio de resultados y cambiando sus probabilidades
PROBABILIDAD CONDICIONAL
Ejemplo: Cual es la probabilidad de ganar la lotera navidea si se compra un entero de lotera? Solucin: Un entero tiene un nmero entre 0 y 100, y una serie entre 000 y 999
PROBABILIDAD CONDICIONAL
Obsrvese que si se acierta uno u otro (pero no los tres) entonces no se gana el premio mayor. Por eso se llama CONDICIONAL, porque esta CONDICIONADA a la ocurrencia de los eventos simultneamente.
PROBABILIDAD CONDICIONAL
PROBABILIDAD - AXIOMAS
Para el clculo de probabilidades hay que tomar en cuenta los Axiomas y Teoremas que a continuacin se enumeran.
1)La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno. 0 p(A) 1
PROBABILIDAD - AXIOMAS
2)La probabilidad de que ocurra el espacio muestral debe de ser 1. p() = 1
Esto equivale a decir de que la probabilidad de que todos los estudiantes aprueben es 1.
PROBABILIDAD - AXIOMAS
3)Si A y B son eventos mutuamente excluyentes, entonces p(AB) = p(A) + p(B) Generalizando: Si se tienen n eventos mutuamente excluyentes o exclusivos A1, A2, A3,.....An, entonces; p(A1A2.........An) = p(A1) + p(A2) + .......+ p(An)
PROBABILIDAD TEOREMAS
TEOREMA 1. Si es un evento nulo o vaco, entonces la probabilidad de que ocurra debe ser cero.
PROBABILIDAD TEOREMAS
TEOREMA 2. La probabilidad del complemento de A, denotado por Ac , debe ser p(Ac)= 1 p(A)
PROBABILIDAD TEOREMAS
PROBABILIDAD TEOREMAS
PROBABILIDAD TEOREMAS
TEOREMA 5. Para dos eventos A y B, p(AB)=p(A) + p(B) p(AB). COROLARIO: Para tres eventos A, B y C, p(ABC) = p(A) + p(B) + p(C) p(AB) p(AC) p(BC) + p(ABC)
PROBABILIDAD TEOREMAS
PROBABILIDAD TEOREMAS
Teorema 6. Probabilidad condicionada De un suceso R sabiendo que ha ocurrido otro A
PROBABILIDAD TEOREMAS
Teorema 7. Probabilidad total Si A y B forman un sistema completo de sucesos , la probabilidad de cualquier otro suceso R es:
PROBABILIDAD CONDICIONAL
Retomando el ejemplo de la lotera: Para tres eventos A, B y C, p(ABC) = p(A) + p(B) + p(C) p(AB) p(AC) p(BC) + p(ABC)
P(Mayor U numero U serie) = P(mayor) + P(numero) + P(serie) P(Mayor Numero) P(Mayor serie) P(numero serie) + P(mayor numero serie)
Teorema de Bayes
Teorema de Bayes El teorema de Bayes se utiliza para revisar probabilidades previamente calculadas cuando se posee nueva informacin. Desarrollado por el reverendo Thomas Bayes en el siglo XVII, el teorema de Bayes es una extensin de lo que ha aprendido hasta ahora acerca de la probabilidad condicional. Comnmente se inicia un anlisis de probabilidades con una asignacin inicial, probabilidad a priori. Cuando se tiene alguna informacin adicional se procede a calcular las probabilidades revisadas o a posteriori.
Teorema Bayes
Solucin:
La probabilidad de que sea de la lnea 1, sabiendo que sufre una avera es:
La probabilidad de que sea de la lnea 2, sabiendo que sufre una avera es:
La probabilidad de que sea de la lnea 3, sabiendo que sufre una avera es:
Entonces, sabiendo que el autobs sufre una avera, lo ms probable es que sea de la lnea 1, ya que esta probabilidad P(A1/B1) = 0,4615 es la mayor.!!
2) Una empresa dedicada a la comercializacin de televisores est considerando comercializar un nuevo televisor. En el pasado el 90% de los televisores que comercializ tuvieron xito y el 10% no fueron exitosos. Se sabe que la probabilidad que habra recibido un reporte favorable de investigacin fue del 85% y 35%, respectivamente.
Distribuciones de Probabilidad
Uno de los conceptos ms importantes de la teora de probabilidades es el de variable aleatoria que, intuitivamente, puede definirse como cualquier caracterstica medible que toma diferentes valores con probabilidades determinadas. Toda variable aleatoria posee una distribucin de probabilidad que describe su comportamiento (vale decir, que desagrega el 1a lo largo de los valores posibles de la variable).
Distribucin de Probabilidades
Si la variable es discreta, es decir, si toma valores aislados dentro de un intervalo, su distribucin de probabilidad especifica todos los valores posibles de la variable junto con la probabilidad de que cada uno ocurra. En el caso continuo, es decir, cuando la variable puede tomar cualquier valor de un intervalo, la distribucin de probabilidad permite determinar las probabilidades correspondientes con subintervalos de valores. Una forma usual de describir la distribucin de probabilidad de una variable aleatoria es mediante la denominada funcin de densidad, en tanto que lo que se conoce como funcin de distribucin representa las probabilidades acumuladas.
Distribucin de Probabilidades
Una de las preocupaciones de los cientficos ha sido construir modelos de distribuciones de probabilidad que pudieran representar el comportamiento terico de diferentes fenmenos aleatorios que aparecan en el mundo real. La pretensin de modelar lo observable ha constituido siempre una necesidad bsica para el cientfico emprico, dado que a travs de esas construcciones tericas, los modelos, poda experimentar sobre aquello que la realidad no le permita. Por otra parte, un modelo resulta extremadamente til, siempre que se corresponda con la realidad que pretende representar o predecir, de manera que ponga de relieve las propiedades ms importantes del mundo que nos rodea, aunque sea a costa de la simplificacin que implica todo modelo.
Distribuciones de Probabilidad
En la prctica hay unas cuantas leyes de probabilidad tericas, como son, por ejemplo, la ley binomial o la de Poisson para variables discretas o la ley normal para variables continuas, que sirven de modelo para representar las distribuciones empricas ms frecuentes.
Distribuciones de Probabilidad
As, por ejemplo, la variable talla de un recin nacido puede tener valores entre 47 cm y 53 cm, pero no todos los valores tienen la misma probabilidad, porque las ms frecuentes son las tallas prximas a los 50 cm. En este caso la ley normal se adapta satisfactoriamente a la distribucin de probabilidad emprica, que se obtendra con una muestra grande de casos.
Distribuciones de Probabilidad
Cuando la opcin elegida es el clculo de una probabilidad dado un punto x de la distribucin, se presentan en todos los casos dos resultados: la probabilidad acumulada hasta ese punto, o la probabilidad de que la variable tome valores inferiores o iguales a x (cola izquierda) y la probabilidad de valores superiores a x (cola derecha). En el caso continuo, la probabilidad de que la variable sea igual a cualquier punto es igual a cero; por tanto, no influye en las colas el hecho de incluir o excluir el punto x. Hay un tercer resultado que el programa presenta slo para las distribuciones continuas simtricas (normal, logstica y t deStudent): la probabilidad de dos colas, es decir, la probabilidad que queda a ambos lados del intervalo (-x, x) (x, -x), segn el punto sea positivo o negativo, respectivamente.
Mtodos Cuantitativos
FIN