UNIDAD 3: TEORIA DE DECISIÓN

...

Decisiones No Estructuradas: este tipo de decisiones se toman cuando estamos en un contexto de incertidumbre total y se cuenta con muy poca información. Son, principalmente, decisiones políticas y estratégicas. Se requiere de un alto poder de negociación

Decisiones Poco Estructuradas: este tipo de decisiones se toman cuando estamos en un contexto intermedio, es decir, no nos encontramos en certeza ni en incertidumbre total.

Decisiones Estructuradas: este tipo de decisiones se toman cuando estamos en un contexto de casi-certeza, donde existe poca complejidad. La mayoría de estas situaciones son abarcadas por los Métodos de Investigación de Operaciones. Son decisiones que pueden programarse por ser repetitivas y rutinarias.

3.2 Criterios de decisión Determinísticos y Probabilísticas

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.

En los modelos determinísticos, una buena decisión es juzgada de acuerdo a los resultados. Sin embargo, en los modelos probabilísticos, el gerente no está preocupado solamente por los resultados, sino que también con la cantidad de riesgo que cada decisión acarrea

Como un ejemplo de la diferencia entre los modelos probabilísticos versus determinísticos, considere el pasado y el futuro: Nada que hagamos ahora puede cambiar el pasado, pero cualquier cosa que hacemos influencia y cambia el futuro, a pesar de que el futuro tiene un elemento de incertidumbre. Los gerentes se encuentran mucho más cautivados por darle forma al futuro que por la historia pasada.

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 (gl).

Los hechos se convierten en conocimiento, cuando son utilizados en la complementación exitosa de un proceso de decisión. Una vez que se tenga una cantidad masiva de hechos integrados como conocimiento, entonces su mente será 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 estadístico basado en datos para construir los modelos estadísticos para la toma de decisión bajo incertidumbre.

[pic 4]

De donde:

Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadístico.

Level of improvements on decisión making = Nivel de Mejoramiento en la Toma de Decisiones.

La figura anterior representa el hecho que a medida que la exactitud de un modelo estadístico aumenta, el nivel de mejoramiento en la toma de decisión aumenta. Esta es la razón del porqué necesitamos la estadística de negocio.

La estadística se creó por la necesidad de poner conocimiento en una base sistemática de la evidencia. Esto requirió un estudio de las leyes de la probabilidad, del desarrollo de las propiedades de medición, relación de datos.

La inferencia estadística intenta determinar si alguna significancia estadística puede ser adjunta luego que se permita una variación aleatoria como fuente de error. Una inteligente y crítica inferencia no puede ser hecha por aquellos que no entiendan el propósito, las condiciones, y la aplicabilidad de las de diversas técnicas 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 información”. La disponibilidad de “la buena información” incrementa con el nivel de estructuración del proceso de Dirección de Conocimiento. La figura anterior también ilustra el hecho que mientras la exactitud de un modelo estadístico aumenta, el nivel de mejora en la toma de decisiones aumenta.

El conocimiento es más que simplemente saber algo técnico.

por ejemplo, crea el software estadístico que es útil, más bien que técnicamente brillante.

Los modelos probabilísticas están ampliamente basados en aplicaciones estadísticas para la evaluación de eventos incontrolables (o factores), así como también la evaluación del riesgo de sus decisiones. La idea original de la estadística fue la recolección de información sobre y para el Estado. La palabra estadística no se deriva de ninguna raíz griega o latina, sino de la palabra italiana state. La probabilidad tiene una historia mucho más larga. La Probabilidad se deriva del verbo probar lo que significa "averiguar" lo que no es tan fácil de obtener o entender. La palabra "prueba" tiene el mismo origen el cual proporciona los detalles necesarios para entender lo que se requiere que sea cierto.

Los modelos probabilísticas son vistos de manera similar que a un juego; las acciones están basadas en los resultados esperados. El centro de interés se mueve desde un modelo determinísticos a uno probabilística usando técnicas estadísticas subjetivas para estimación, prueba y predicción. En los modelos probabilísticos, el riesgo significa incertidumbre para la cual la distribución de probabilidad es conocida. Por lo tanto, la evaluación de riesgo significa un estudio para determinar los resultados de las decisiones junto a sus probabilidades.

Los tomadores de decisiones generalmente se enfrentan a severa escasez de información. La evaluación de riesgo cuantifica la brecha de información entre lo que es conocido y lo que necesita saber para tomar una decisión óptima. Los modelos probabilístico son utilizados para protegerse de la incertidumbre adversa,