Contenido4.1 INTRODUCCIN24.2 ENFOQUES DE PROBABILIDAD24.2.1 Enfoque clsico de la probabilidad24.2.2 Enfoque de frecuencias relativas34.2.3 Enfoque subjetivo de la probabilidad44.3 RBOLES DE DECISIN44.4 ANLISIS DE RIESGOS8Conclusin14Bibliografa14

4.1 INTRODUCCINEn la vida real, y tanto en el mbito profesional como el personal, nos vemos enfrentados a multitud de situaciones en las que tenemos que decidir entre varias alternativas. La propia optimizacin no es ms que una forma de tomar una decisin entre unas alternativas factibles.Ahora bien, segn se defina qu es lo mejor y qu es lo posible nos enfrentaremos a distintas situaciones de decisin para esto ocuparemos las bases fundamentales de la Teora de Decisin, que nos ayudara y/o guiara a la comprensin mejor de la Toma de Decisiones.Esta tiene que ver con determinar a partir de un conjunto de alternativas posibles, cual es la decisin ptima para el conjunto particular de condiciones

4.2 ENFOQUES DE PROBABILIDADLaprobabilidades un mtodo por el cual se obtiene la frecuencia de un acontecimiento determinado mediante la realizacin de un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condicionessuficientementeestables.Para definir la probabilidad y determinar valores de probabilidad, se han desarrollado 3 enfoques conceptuales: 4.2.1 Enfoque clsico de la probabilidad

El estudio clsico de la Probabilidad data del siglo XVII y del trabajo principalmente de dos matemticos: Blas Pascal y Fermat. Gran parte de esta teora se desarroll a partir de intentos por resolver problemas relacionados con los juegos de azar, como el juego de dados. Los defensores de esta escuela del pensamiento suponen que todos los posibles resultados de un experimento son mutuamente excluyentes y tienen la misma posibilidad de ocurrir que cualquier otro. Por definicin si un evento puede ocurrir de N maneras mutuamente exclusivas e igualmente probables y simde estas posee una caractersticaE,la probabilidad de ocurrencia de Eesm/ n.

EJEMPLO: Determine la probabilidad de que al tirar un dado: a) Aparezca un 3,y b) No aparezca el 3.Existen 6 eventos posibles al tirar un dado, entre los cuales hay uno del tipo que nos interesa, por lo tanto:P (3) =1/6 = 16.7%Para el caso b existen 5 eventos de inters para nosotros del total del espacio muestral de 6 por lo que:P (No sea 3) =5/6= 83.3 %Cabe hacer la apreciacin de que los eventossea un 3 y no sea un 3adems de ser mutuamente excluyentes, son exhaustivos ya que juntos abarcan la totalidad del espacio muestral, en consecuencia:P (3) +P (No sea un 3)=1 1/6+5/6=6/6=1 16.7 %+83.3%=100%El enfoque clsico de Probabilidadno solo se aplica a los juegos de azar sino tambin a cualquier situacinen que los resultados sean igualmente probables, no obstante este supuesto no siempre se cumple por lo cual el enfoque clsico no siempre es aplicable ya que la determinacin de la probabilidadse efecta haciendo la suposicin de un solo intento del experimento, bastando con conocer el total de resultados posibles y el nmero de eventos que tienen la caracterstica de inters.

4.2.2 Enfoque de frecuencias relativas Esta segunda manera de interpretar la probabilidad tiene como base un teorema establecido por el matemtico suizo Jacobo Bernoulli (1674 1705). Este teorema dice: La Probabilidad de que ocurra un evento es la frecuencia relativa observada de eseevento en un nmero muy grande de casos.Sea n un nmero grande de repeticiones de un experimento aleatorio; f las veces que un resultado especfico ocurre en ellos y P (A) la probabilidad de ese resultado en cada intento, entonces: P (A) =f / nCuandones grande.El teorema de Bernoulli puede ser ilustrado repitiendo un gran nmero de veces un experimento aleatorio sencillo.Por ejemplo:En una caja colocamos cierto nmero de canicas de igual tamao, digamos 70de las cuales 42 son blancas y el resto negras. Mezclmoslas cuidadosamente,saquemos una al azar y registremos en una tabla de conteo el color que esta tenga, cuidando de reintegrar la canica antes de repetir el experimento.Esperamos por la Ley de los grandes nmeros que a la larga el evento salir blanca se presentara ms o menos un 60 % de las veces. La probabilidad 60% de las veces no significa que de cada 10 repeticiones la canica blanca saldr 6 veces.La ley de los grandes nmeros seala que si se repite el experimento un nmero de veces suficientemente grande, el evento blanca ocurrir en una proporcin cercana a 0.6; Pero Cuando un evento se considera suficientemente grande? No hay cifra especfica, depende de la aproximacin que se requiera al valor verdadero de probabilidad y la seguridad que deseamos tener de esa aproximacin.La ley de Bernoulli permite estimar probabilidades con base en la proporcin de veces que un hecho haya ocurrido en el pasado en un gran nmero de repeticiones bajo la misma situacin, pero no debemos olvidar que las repeticiones se realicen bajo las mismas condiciones. Es indudable que muchas situaciones a las que se pretende aadir un enunciado de probabilidad pueden no ser repetibles, sino ms bien nicas lo cual har discutible la objetividad de los valores de probabilidad por la va de la frecuencia relativa.No obstante, este enfoque es el ms aceptado y de mayor aplicacin para la determinacin de probabilidades de eventos: Posee la ventaja de eliminar la restriccin de equiprobabilidad que tiene el enfoque clsico, introduciendo el concepto de repeticin del proceso de seleccin n veces.4.2.3 Enfoque subjetivo de la probabilidadSegn el enfoque subjetivo la probabilidad es una medida del grado de certidumbre que tiene una persona respecto a la ocurrencia de un evento. Este punto de vista no es tan arbitrario como a primera vista parece, no quiere decir que se escoja sin ton ni son un nmero entre 0 y 1y digamos que se trata de la probabilidad de un evento.Asociarunnmero al grado de certeza que podamos tenerrespecto a un suceso es un asunto separado del principio de probabilidad subjetiva, ya que la probabilidad puede ser vista como una medida del grado de creencia que tiene uno que partir del juicio o valoracin propios de evidencia de incertidumbres relevantes.El enfoque subjetivo es un modo de entender que la probabilidad de eventos donde no hay resultados igualmente probables ni un numero grande de repeticiones con las mismas caractersticas.Ejemplo: Un dirigentedelPartido AccinNacionaldice que la probabilidad subjetiva de que su agrupacin ganara las elecciones al Gobierno del Estado de Nayarit en el ao 1999 es del 80%. Esto significa que partiendo de su conocimiento de la situaciny juzgando las evidencias que rodean una campaa y los candidatos que se tienen, siente cuatro veces ms probable que gane su partido a que pierda.En ocasiones la probabilidad subjetiva se estima haciendo uso del concepto de probabilidades a favor, y consiste en una forma alternativa de expresar una probabilidad sea o no subjetiva.Por ejemplo: Si la probabilidad de ocurrencia de un evento se denota por p la de su no ocurrencia porqentonces:q=1ppor lo que las probabilidades a favordel evento se definen como la razn de p aq convencionalmente estas probabilidades se expresan con la razn de dos enteros positivos,cadque carecen de factores comunes, esto es:p/ q=c/dDonde c y d son dos enteros positivos sin factores comunes, las probabilidades a favor de un evento son c ady en contra dac.Se anuncian a favor si p es mayor que q y en contra si q es mayor que p, es decir se pone primero el entero mayor.4.3 RBOLES DE DECISINUn rbol de decisin es una forma grfica y analtica de representar todos los eventos (sucesos) que pueden surgir a partir de una decisin asumida en cierto momento. Nos ayudan a tomar la decisin ms acertada, desde un punto de vista probabilstico, ante un abanico de posibles decisiones. Permite desplegar visualmente un problema y organizar el trabajo de clculos que deben realizarse

Terminologa Nodo de decisin: Indica que una decisin necesita tomarse en ese punto del proceso. Est representado por un cuadrado.

Nodo de probabilidad: Indica que en ese punto del proceso ocurre un evento aleatorio. Est representado por un crculo.

Rama: Nos muestra los distintos caminos que se pueden emprender cuando tomamos una decisin o bien ocurre algn evento aleatorio.

GRAFICAMENTE

Pasos para el Anlisis del rbol de Decisin Definir el problema. Dibujar el rbol de decisin. Asignar probabilidades a los eventos aleatorios. Estimar los resultados para cada combinacin posible de alternativas. Resolver el problema obteniendo como solucin la ruta que proporcione la poltica ptima.EJEMPLOUna compaa de seguros nos ofrece una indemnizacin por accidente de 210.000$. Si no aceptamos la oferta y decidimos ir a juicio podemos obtener 185.000$, 415.000$ o 580.000$ dependiendo de las alegaciones que el juez considere aceptables. Si perdemos el juicio, debemos pagar las costas que ascienden a 30.000$. Sabiendo que el 70% de los juicios se gana, y de stos, en el 50% se obtiene la menor indemnizacin, en el 30% la intermedia y en el 20% la ms alta, determinar la decisin ms acertada.

EJEMPLOUna fbrica est evaluada en 150 millones. La fbrica desea incorporar un nuevo producto al mercado. Existen tres estrategias para incorporar el nuevo producto: Alternativa 1.- Hacer un estudio de mercado del producto de forma de determinar si se introduce o no al mercado. Alternativa 2.-Introducir inmediatamente el producto al mercado (sin estudio). Alternativa 3.- No lanzar inmediatamente el producto al mercado (sin estudio).En ausencia de estudio de mercado, la fbrica estima que el producto tiene un 55% de posibilidades de ser exitoso y de 45% de ser un fracaso. Si el producto es exitoso, la fbrica aumentara en 300 millones su valor, si el producto fracasa se devaluara en 100 millones. El estudio de mercado vale 30 millones. El estudio predice que existe un 60% de probabilidad de que el producto sea exitoso. Si el estudio de mercado determina que el producto sera exitoso, existe un 85% de posibilidades de que efectivamente lo sea. Si el estudio de mercado determina que el producto sera un fracaso, existe slo un 10% de posibilidades de que el producto sea exitoso. Si la empresa no desea correr riesgos (desea maximizar el valor esperado de la empresa). Qu estrategia debera seguir?

4.4 ANLISIS DE RIESGOSEl anlisis de riesgo es el uso sistemtico de la informacin disponible para determinar la frecuencia con la que determinados eventos se pueden producir y la magnitud de sus consecuencias. Los riesgos normalmente se definen como eventos negativos, como puede ser la prdida de dinero en una empresa o una tormenta que genera un gran nmero de reclamaciones de seguro. Sin embargo, durante el proceso de anlisis de riesgo tambin se pueden descubrir resultados potenciales positivos. Mediante la exploracin de todo el espacio de posibles resultados para una situacin determinada, un buen anlisis de riesgo puede identificar peligros y descubrir oportunidades. El anlisis de riesgo se puede realizar cualitativa y cuantitativamente. El anlisis de riesgo cualitativo generalmente incluye la evaluacin instintiva o por corazonada de una situacin, y se caracteriza por afirmaciones como Eso parece muy arriesgado o Probablemente obtendremos buenos resultados. El anlisis de riesgo cuantitativo trata de asignar valores numricos a los riesgos, utilizando datos empricos o cuantificando evaluaciones cualitativas.

ANLISIS DE RIESGO DETERMINISTA Un anlisis de riesgo cuantitativo se puede realizar con dos mtodos diferentes. El primer mtodo utiliza estimaciones de un solo punto, y es de naturaleza determinista. Con este mtodo, un analista puede asignar valores a situaciones independientes para ver los resultados que se podran producir en cada una. Por ejemplo, en un modelo financiero, un analista normalmente examina tres resultados diferentes: el peor de los casos, el mejor de los casos y el caso ms probable. Cada uno se define as:El peor de los casos Todos los costos tienen el valor ms alto posible, mientras que los ingresos por ventas responden a la estimacin ms baja posible. El resultado es la prdida de dinero.El mejor de los casos Todos los costos tienen el valor ms bajo posible, mientras que los ingresos por ventas responden a la estimacin ms alta posible. El resultado es la ganancia de mucho dinero.El caso ms probable Los valores que se seleccionan son los intermedios para los costos e ingresos, y el resultado muestra una ganancia moderada de dinero.Este mtodo tiene varios problemas:Slo se consideran unos pocos resultados independientes, y se ignoran cientos o miles ms.Se da el mismo peso a cada resultado. Es decir, no se trata de evaluar la probabilidad de cada resultado.Se ignora la interdependencia entre las variables de entrada, el impacto de las diferentes variables sobre el resultado y otros detalles, simplificando en exceso el modelo y reduciendo su precisin.ANLISIS DE RIESGO ESTOCSTICO Una mejor forma de hacer un anlisis de riesgo cuantitativo es mediante el uso de la simulacin Monte Carlo. En la simulacin Monte Carlo, las variables inciertas de un modelo se representan usando rangos de posibles valores denominados distribuciones de probabilidad. Mediante el uso de distribuciones de probabilidad, las variables pueden tener diferentes probabilidades de producir diferentes resultados. Las distribuciones de probabilidad son una forma mucho ms realista de describir la incertidumbre en las variables de un anlisis de riesgo. Las distribuciones de probabilidad ms comunes son:Normal O curva de campana. El usuario simplemente define la media o valor esperado y una desviacin estndar para describir la variacin con respecto a la media. Los valores intermedios cercanos a la media tienen mayor probabilidad de producirse. Es una distribucin simtrica y describe muchos fenmenos naturales, como puede ser la estatura de una poblacin. Ejemplos de variables que se pueden describir con distribuciones normales son los ndices de inflacin y los precios de la energa.Lognormal Los valores muestran una clara desviacin; no son simtricos como en la distribucin normal. Se utiliza para representar valores que no bajan por debajo del cero, pero tienen un potencial positivo ilimitado. Ejemplos de variables descritas por la distribucin lognormal son los valores de las propiedades inmobiliarias y bienes races, los precios de las acciones de bolsa y las reservas de petrleo.Uniform Todos los valores tienen las mismas probabilidades de producirse; el usuario slo tiene que definir el mnimo y el mximo. Ejemplos de variables que se distribuyen de forma uniforme son los costos de manufacturacin o los ingresos por las ventas futuras de un nuevo producto.Triangular El usuario define los valores mnimo, ms probable y mximo. Los valores situados alrededor del valor ms probable tienen ms probabilidades de producirse. Las variables que se pueden describir con una distribucin triangular son el historial de ventas pasadas por unidad de tiempo y los niveles de inventario.PERT- El usuario define los valores mnimo, ms probable y mximo, como en la distribucin triangular. Los valores situados alrededor del ms probable tienen ms probabilidades de producirse. Sin embargo, los valores situados entre el ms probable y los extremos tienen ms probabilidades de producirse que en la distribucin triangular; es decir, los extremos no tienen tanto peso. Un ejemplo de uso de la distribucin PERT es la descripcin de la duracin de una tarea en un modelo de gestin de un proyecto.Discrete El usuario define los valores especficos que pueden ocurrir y la probabilidad de cada uno. Un ejemplo podra ser los resultados de una demanda legal: 20% de posibilidades de obtener un veredicto positivo, 30% de posibilidades de obtener un veredicto negativo, 40% de posibilidades de llegar a un acuerdo, y 10% de posibilidades de que se repita el juicio.Durante una simulacin Monte Carlo, los valores se muestrean aleatoriamente a partir de las distribuciones de probabilidad introducidas. Cada grupo de muestras se denomina iteracin, y el resultado correspondiente de esa muestra queda registrado. La simulacin Monte Carlo realiza esta operacin cientos o miles de veces, y el resultado es una distribucin de probabilidad de posibles resultados. De esta forma, la simulacin Monte Carlo proporciona una visin mucho ms completa de lo que puede suceder. Indica no slo lo que puede suceder, sino la probabilidad de que suceda.La simulacin Monte Carlo proporciona una serie de ventajas sobre el anlisis determinista:Resultados probabilsticos. Los resultados muestran no slo lo que puede suceder, sino lo probable que es un resultado.Resultados grficos. Gracias a los datos que genera una simulacin Monte Carlo, es fcil crear grficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante para comunicar los resultados a otras personas interesadas.Anlisis de sensibilidad. Con slo unos pocos resultados, en los anlisis deterministas es ms difcil ver las variables que ms afectan el resultado. En la simulacin Monte Carlo, resulta ms fcil ver qu variables introducidas tienen mayor influencia sobre los resultados finales.Anlisis de escenario. En los modelos deterministas resulta muy difcil modelar diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones verdaderamente diferentes. Usando la simulacin Monte Carlo, los analistas pueden ver exactamente los valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para profundizar en los anlisis.Correlacin de variables de entrada. En la simulacin Monte Carlo es posible modelar relaciones interdependientes entre diferentes variables de entrada. Esto es importante para averiguar con precisin la razn real por la que, cuando algunos factores suben, otros suben o bajan paralelamente.PASOS PARA REALIZAR UN ANLISIS DE RIESGO

Fase 1. Definir el alcanceEl primer paso a la hora de llevar a cabo el anlisis de riesgos es establecer el alcance del estudio. Vamos a considerar que este anlisis de riesgos forma parte del Plan Director de Seguridad. Por lo tanto, recomendamos que el anlisis de riesgos cubra la totalidad del alcance del PDS, dnde se han seleccionado las reas estratgicas sobre las que mejorar la seguridad. Por otra parte, tambin es posible definir un alcance ms limitado atendiendo a departamentos, procesos o sistemas.Por ejemplo, anlisis de riesgos sobre los procesos del departamento Administracin, anlisis de riesgos sobre los procesos de produccin y gestin de almacn o anlisis de riesgos sobre los sistemas TIC relacionados con la pgina web de la empresa, etc. En este caso prctico consideramos que el alcance escogido para el anlisis de riesgos es Los servicios y sistemas del Departamento Informtica.

Fase 2. Identificar los activosUna vez definido el alcance, debemos identificar los activos ms importantes que guardan relacin con el departamento, proceso, o sistema objeto del estudio. Para mantener un inventario de activos sencillo puede ser suficiente con hacer uso de una hoja de clculo o tabla como la que se muestra a continuacin a modo deejemplo:

Fase 3. Identificar / seleccionar las amenazasHabiendo identificado los principales activos, el siguiente paso consiste en identificar las amenazas a las que estos estn expuestos. Tal y como imaginamos, el conjunto de amenazas es amplio y diverso por lo que debemos hacer un esfuerzo en mantener un enfoque prctico y aplicado.Por ejemplo, si nuestra intencin es evaluar el riesgo que corremos frente a la destruccin de nuestro servidor de ficheros, es conveniente, considerar las averas del servidor, la posibilidad de daos por agua (rotura de una caera) o los daos por fuego, en lugar de plantearnos el riesgo de que el CPD sea destruido por un meteorito.

Fase 4. Identificar vulnerabilidades y salvaguardasLa siguiente fase consiste en estudiar las caractersticas de nuestros activos para identificar puntos dbiles o vulnerabilidades. Por ejemplo,una posible vulnerabilidad puede ser identificar un conjunto de ordenadores o servidores cuyos sistemas antivirus no estn actualizados o una serie de activos para los que no existe soporte ni mantenimiento por parte del fabricante. Posteriormente, a la hora de evaluar el riesgo aplicaremos penalizaciones para reflejar las vulnerabilidades identificadas.

Fase 5. Evaluar el riesgoLlegado a este punto disponemos de los siguientes elementos: Inventario de activos. Conjunto de amenazas a las que est expuesta cada activo. Conjunto de vulnerabilidades asociadas a cada activo (si corresponde). Conjunto de medidas de seguridad implantadasCon esta informacin, nos encontramos en condiciones de calcular el riesgo. Para cada par activo-amenaza, estimaremos la probabilidad de que la amenaza se materialice y el impacto sobre el negocio que esto producira. El clculo de riesgo se puede realizar usando tanto criterios cuantitativos como cualitativos. Pero para entenderlo mejor, veremos a modo deejemplolas tablas para estimar los factores probabilidad e impacto.Tabla para el clculo de la probabilidad

Tabla para el clculo del impacto

Clculo del riesgoA la hora de calcular el riesgo, si hemos optado por hacer el anlisis cuantitativo, calcularemos multiplicando los factores probabilidad e impacto:RIESGO = PROBABILIDAD x IMPACTO.Si por el contrario hemos optado por el anlisis cualitativo, haremos uso de una matriz de riesgo como la que se muestra a continuacin:

Fase 6. Tratar el riesgoUna vez calculado el riesgo, debemos tratar aquellos riesgos que superen un lmite que nosotros mismos hayamos establecido. Por ejemplo,trataremos aquellos riesgos cuyo valor sea superior a 4 o superior a Medio en caso de que hayamos hecho el clculo en trminos cualitativos. A la hora de tratar el riesgo, existen cuatro estrategias principales: Transferirel riesgo a un tercero.Por ejemplo, contratando un seguro que cubra los daos a terceros ocasionados por fugas de informacin. Eliminarel riesgo.Por ejemplo,eliminando un proceso o sistema que est sujeto a un riesgo elevado. En el caso prctico que hemos expuesto, podramos eliminar la wifi de cortesa para dar servicio a los clientes si no es estrictamente necesario. Asumirel riesgo, siempre justificadamente.Por ejemplo,el coste de instalar un grupo electrgeno puede ser demasiado alto y por tanto, la organizacin puede optar por asumir. Implantarmedidas para mitigarlo.Por ejemplo,contratando un acceso a internet de respaldo para poder acceder a los servicios en la nube en caso de que la lnea principal haya cado.

Conclusin En conclusin podemos decir que la toma de decisiones en las diferentes reas del conocimiento, se lleva un procedimiento que va a una misma solucin pero no igual en el sentido de aplicarlo.Se logra comprender ms a detalle, cmo debe hacerse realmente una eleccin, sabiendo primero cul es el problema que debo solucionar a travs de ella y a continuacin analizar aconciencialos posibles caminos que puedo seguir para llegar a mi meta.Bibliografa

https://www.google.com.mx/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=teoria+de+decisioneshttp://cidcaprobabilistica.blogspot.mx/2007/08/tipos-de-enfoque-de-la-probabilidad.htmlhttp://www.virtual.unal.edu.co/cursos/sedes/manizales/4010014/Contenidos/Capitulos%20PDF/CAPITULO%202.pdfhttps://es.wikipedia.org/wiki/Probabilidad

13