3.
2 CRITERIOS DE DECISIÓN DETERMINISTICOS
Y PROBABILÍSTICAS
Modelos Probabilísticos: De los Datos a un Conocimiento Decisivo
El conocimiento es lo que sabemos. La información es la comunicación de
conocimientos. En cada intercambio de conocimientos, hay un remitente y un
receptor. El remitente hace común lo que es privado, hace la información, la
comunicación. La información se puede clasificar como formas explícitas y tácitas.
La información explícita se puede explicar de forma estructurada, mientras que la
información tácita es inconsistente e imprecisa de explicar.
Los datos son conocidos como información cruda y no como conocimientos en sí.
La secuencia que va desde los datos hasta el conocimiento es (observe el
siguiente cuadro): de los Datos (Data) a la Información (Information), de la
Información (Information) a los Hechos (Facts), y finalmente, de los Hechos
(Facts) al Conocimiento (Knowledge). Los datos se convierten en información,
cuando se hacen relevantes para la toma de decisión a un problema. La
información 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 estadístico de confianza
Modelos Probabilísticos: De los Datos a un Conocimiento Decisivo
El conocimiento es lo que sabemos. La información es la comunicación de
conocimientos. En cada intercambio de conocimientos, hay un remitente y un
receptor. El remitente hace común lo que es privado, hace la información, la
comunicación. La información se puede clasificar como formas explícitas y tácitas.
La información explícita se puede explicar de forma estructurada, mientras que la
información tácita es inconsistente e imprecisa de explicar.
Los datos son conocidos como información cruda y no como conocimientos en sí.
La secuencia que va desde los datos hasta el conocimiento es (observe el
siguiente cuadro): de los Datos (Data) a la Información (Information), de la
Información (Information) a los Hechos (Facts), y finalmente, de los Hechos
(Facts) al Conocimiento (Knowledge). Los datos se convierten en información,
cuando se hacen relevantes para la toma de decisión a un problema. La
información 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 estadístico de confianza
Proceso de Toma de Decisiones Estadísticas
A diferencia de los procesos de toma de decisiones determinísticas tal como,
optimización lineal resuelto mediante sistema de ecuaciones, sistemas
paramétricos de ecuaciones y en la toma de decisión bajo pura incertidumbre, las
variables son normalmente más numerosos y por lo tanto más difíciles de medir y
controlar. Sin embargo, los pasos para resolverlos son los mismos. Estos son:
1. Simplificar
2. Construir un modelo de decisión
3. Probar el modelo
4. Usando el modelo para encontrar soluciones:
El modelo es una representación simplificada de la situación real
No necesita estar completo o exacto en todas las relaciones
Se concentra en las relaciones fundamentales e ignora las irrelevantes.
Este es entendido con mayor facilidad que un suceso empírico (observado),
por lo tanto, permite que el problema sea resuelto con mayor facilidad y con
un mínimo de esfuerzo y pérdida de tiempo.
ADVERTISEMENT
REPORT THIS AD
Análisis de Decisiones: Tomando Decisiones Justificables y Defendibles
Proceso de Toma de Decisiones Estadísticas
A diferencia de los procesos de toma de decisiones determinísticas tal como,
optimización lineal resuelto mediante sistema de ecuaciones, sistemas
paramétricos de ecuaciones y en la toma de decisión bajo pura incertidumbre, las
variables son normalmente más numerosos y por lo tanto más difíciles de medir y
controlar. Sin embargo, los pasos para resolverlos son los mismos. Estos son:
1. Simplificar
2. Construir un modelo de decisión
3. Probar el modelo
4. Usando el modelo para encontrar soluciones:
· El modelo es una representación simplificada de la situación real
· No necesita estar completo o exacto en todas las relaciones
· Se concentra en las relaciones fundamentales e ignora las
irrelevantes.
· Este es entendido con mayor facilidad que un suceso empírico
(observado), por lo tanto, permite que el problema sea resuelto con mayor
facilidad y con un mínimo de esfuerzo y pérdida de tiempo.
El modelo puede ser usado repetidas veces para problemas similares, y además
puede ser ajustado y modificado
El análisis de decisiones es la disciplina que consiste en evaluar alternativas
complejas en términos de valores (habitualmente en $ porque es lo que a los
gerentes les importa) y de incertidumbre (lo que no conocemos). El análisis de
decisiones brinda información sobre las diferencias entre las alternativas definidas,
y genera sugerencias de nuevas y mejores alternativas. Usamos números para
cuantificar valores e incertidumbres subjetivas, lo cual nos permite comprender la
situación de decisión. Los resultados numéricos deben reconvertirse para generar
información cualitativa.
Los seres humanos pueden comprender, comparar y manipular números. Por lo
tanto, para crear un modelo de análisis de decisiones es necesario crear la
estructura del modelo y asignar las probabilidades y los valores para poblar el
modelo de computación. Aquí se incluyen los valores para las probabilidades, las
funciones de valor para evaluar alternativas, las ponderaciones de valor para
medir la concesión que se debe hacer entre los objetivos, y la preferencia de
riesgo.
3.3 VALOR DE LA INFORMACIÓN PERFECTA
El valor de la información perfecta es la cantidad en la que se podría mejorar el
rédito esperado si la persona supiera de antemano cuál es el evento que va a
ocurrir.
Dicho valor se calcula mediante el siguiente procedimiento:
1- Identificar el mejor rédito para cada evento (si es ganancia, se elige el número
más alto; si es costo, tómese el menor número)
2- Calcular el valor esperado de esos mejores réditos multiplicando el mejor rédito
para cada evento por la probabilidad de que ese evento ocurra.
3- Restar del valor esperado del rédito obtenido sin información perfecta del valor
esperado del rédito obtenido con información perfecta. Esta diferencia es el valor
de la información perfecta.
