https://github.com/jzavalar/analisis_de_decisiones

https://github.com/jzavalar/analisis_de_decisiones

Last synced: about 6 hours ago
JSON representation

• Host: GitHub
• URL: https://github.com/jzavalar/analisis_de_decisiones
• Owner: jzavalar
• License: cc0-1.0
• Created: 2022-02-23T01:24:31.000Z (almost 3 years ago)
• Default Branch: main
• Last Pushed: 2024-10-22T00:36:30.000Z (2 months ago)
• Last Synced: 2024-11-07T14:32:51.392Z (about 2 months ago)
• Size: 992 KB
• Stars: 0
• Watchers: 1
• Forks: 3
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

        


## Programa Analítico de la UEA Análisis de Decisiones (Teoría)

## Licenciatura en Administración

**Clave de la UEA:** *2211092*, **Trimestre:** *24 Primavera*

**Grupo:** *0PEXT53*: *Lunes y miércoles* de *18:00 a 20:00*.

**Salón:** Edificio Anexo A-Sala K.

**Asesorías:**  *Martes* de *20:00* a *22:00 hr*, vía [Telegram](https://telegram.org/apps), previa solicitud.

*profr. dr. Jesús Zavala Ruiz*

**Contacte al profesor**:

- Correo electrónico: [[email protected]](mailto:[email protected])

- Telegram:  [@jzavalar](https://t.me/jzavalar)

### Introducción

A fines de los años 1930s, a solicitud del gobierno británico, el profesor P.M.S. Blackett y su equipo de científicos e ingenieros desarrollaron métodos para "resolver problemas técnicos relacionados con el desarrollo de nuevas armas y equipo durante la Segunda Guerra Mundial" (Jaiswal, 1997, p. 2)[^1], con un enfoque hacia problemas técnicos operativos (p. 4). Según, este autor, después de la Segunda Guerra Mundial, los científicos e ingenieros asociados con el profesor Blackett pasaron de la industria militar a los sectores civiles como el transporte, la salud y la industria, convencidos de que podían analizar esas operaciones con las mismas herramientas analíticas (p. 4).  

Así surgió la **investigación de operaciones** (*operations research*) que se concibió como una "colección de herramientas y técnicas que podían utilizarse para mejorar sistemas bajo el control de un encargado independientemente de su campo de la actividad" (idem). El arsenal metodológico y computacional de la posguerra incluyó la *programación lineal*, la *teoría de juegos*, la *programación dinámica*, la *simulación de eventos discretos* con la computadora digital, adicionalmente a las *teorías de inventarios y colas*, el *modelado de Markov* y los métodos básicos de *optimización*. Actualmente, la *investigación de operaciones* se define como "la aplicación de los métodos de la ciencia a problemas complejos que se presentan en la dirección y la administración de grandes sistemas de hombres, máquinas, materiales y dinero, en la industria, los negocios, el gobierno y la defensa" (Gass y Fu, 2013, p. viii)[^2]; aunque también se define como "la ciencia de decidir cómo obtener el mejor diseño y cómo operar los sistemas hombre-máquina" y como "un método científico para proveer de los departamentos ejecutivos una base cuantitativa para la toma de decisiones" (idem).  

La investigación de operaciones derivó en el '*análisis de sistemas*' asociado a la *toma de decisiones*, considerada para entonces como "el examen sistemático de las distintas alternativas" (Hitch, 1955, p. 477)[^3] que se atribuyó como competencia de los gerentes (*managers*). En cambio, el llamado '*análisis puro*' estaba relacionado con la logística operativa y era realizado por los 'técnicos' (*technicians*) o 'analistas' (*analysts*). Así, el *análisis de sistemas* se puede considerar como "un enfoque sistemático para ayudar a un tomador de decisiones (*decision maker*) que elija un curso de acción, investigando un problema completo, buscando objetivos y alternativas y comparándolas considerando sus consecuencias, usando un marco de referencia apropiado —tan analítico como sea posible— para invocar el juicio y la intuición de expertos sobre el problema" (Jaiswal, 1997, p. 5). Esta definición sugiere que un '*ciclo de toma de decisiones*' consiste desde "la definición de los objetivos, la exploración de las alternativas y su evaluación en términos de sus costos(/beneficios) y eficacia" (idem).  

Desde los años 1950s, el concepto de *análisis de sistemas* ha permanecido, hasta nuestros días, asociado a la 'toma de decisiones', a la 'administración de proyectos' y otras disciplinas, siempre persiguiendo el mismo objetivo: *decidir racionalmente ante la incertidumbre*. Como consecuencia, surgieron las *ciencias de la administración* como un enfoque interdisciplinario que pasó de la eficiencia técnica a la eficacia de los sistemas sociotécnicos. Formalmente, la *ciencia de la administración* (*management science*) se define como la "aplicación de la metodología o los principios científicos a las decisiones administrativas" y el "uso de métodos cuantitativos para resolver problemas de decisiones gerenciales y de organización" (Gass y Fu, 2013, p. viii). En ese sentido, la ciencia de la administración es una expresión más de la teoría de la elección racional (*rational choice*) que Herbert A. Simon (1959)[^4] concibió como un comportamiento bajo una racionalidad limitada.  

En 1952 se institucionalizó la *investigación de operaciones y el análisis de sistemas* al crear la *Operations Research and Systems Analysis* (ORSA) y, para 1967, la investigación de operaciones se atribuía a sí misma como objetivo la toma de decisiones (cf. Beer, 1968)[^5] y el *análisis de sistemas*, una de sus ramas, se convirtió *de facto* en *análisis de decisiones*, aunque sin usar ese término. Así, la *ciencia de la administración* (*Management Science*) se convirtió en una confluencia interdisciplinaria. Algunos autores como Witzel (2012)[^6] consideron que, si bien la *Management Science* surgió como disciplina con la expansión del pensamiento administrativo a nivel mundial, en la década de 1950s, en realidad, es la consecuencia de la evolución del pensamiento de la *Administración Científica* (*Scientific Management*), propuesta por Frederick. W. Taylor, a principios del siglo XX.

Desde la década de 1970, la toma de decisiones agrupó las más diversas disciplinas, como las matemáticas, la sociología, la economía y la ciencia política (Buchanan y O’Connell, 2006, p. 32)[^7], así como las ciencias de la computación en la forma de la '*teoría de la información*', la '*cibernética*', la '*inteligencia artificial*' (de entonces, no la de la actualidad) y el '*pensamiento sistémico*'. Así, las ciencias de la computación (establecida como disciplina en 1958) y la estadística (renovada con el poder de la computación) fortalecieron el desarrollo de la *investigación de operaciones* dando origen al término '*análisis de decisiones*' (*decision analysis*), que alcanzó su auge en la década de 1980s.   

En la actualidad, el **análisis de decisiones** se considera: (1) un **campo multidisciplinario** o *rama* de la *investigación de operaciones* que "usa las matemáticas aplicadas y el razonamiento científico para encontrar soluciones óptimas a problemas complejos" (Chen, Schauver y Chunk, 2009, p. 983)[^8], es decir, a problemas que involucran múltiples variables, objetivos, incertidumbres y restricciones, pero también múltiples involucrados (*stakeholders*) y tomadores de decisiones (*decision makers*); (2) una **herramienta metodológica** que "permite la evaluación cuantitativa de la toma de decisiones bajo condiciones de incertidumbre" (idem); y (3) una **filosofía** o **postura epistemológica** que pretende responder a preguntas tales como las siguientes "¿Cómo deben evaluarse las opciones cuando las consecuencias son inciertas? ¿Cuándo se tiene suficiente información para tomar una decisión? ¿Cuánto se debe pagar por nueva información que reduzca la incertidumbre? ¿Cuál es el nivel de riesgo 'correcto'?" (Call & Miller, 1990, pp. 116, 115)[^9].  

La UEA *Análisis de Decisiones* se enfoca, de manera introductoria, en desarrollar las habilidades de *pensamiento estratégico cuantitativo* indispensables para la toma de decisiones complejas. Esta UEA es parte del paquete de UEAS cuantitativas de la Licenciatura en Administración y la primera de aplicación a la toma de decisiones. Estas habilidades van de la mano con el uso de computadoras digitales y software especializado para que los alumnos se percaten de la importancia que tiene la toma de decisiones en la administración de las empresas privadas, en la administración pública y en las organizaciones, en general.

Considere el [programa oficial vigente de la UEA Análisis de Decisiones](http://csh.izt.uam.mx/sistemadivisional/SDIP/pac/2211092pe.pdf) y el [programa oficial vigente de Estadística I](http://csh.izt.uam.mx/sistemadivisional/SDIP/pac/2132044pe.pdf), la UEA prerrequisito.   

[Calendario UAM vigente](http://www.uam.mx/calendario/index.html).  

### Objetivos  

#### Objetivo General:  

Que al final del curso los alumnos sean capaces de:  

- Comprender a la toma de decisiones como un proceso sistematizado con un enfoque sistémico.  

- Identificar a la toma de decisiones como una forma equivalente de solucionar problemas en la administración.

#### Objetivos Específicos:

Que al finalizar el curso el alumno sea capaz de:

- Realizar la estructuración de problemas de decisión y seleccionar y aplicar el modelo de decisión en problemas de administración.

- Buscar y ponderar información relevante en fuentes diversas.

- Argumentar una propuesta crítica sobre un tema específico.

### Contenido Sintético

#### Unidad 0. Prerrequisitos

1. Prácticas:

   - *Práctica 0.1: Activación de software*.

   

      *Objetivo*: Aprender las operaciones con archivos y directorios en Google Drive, como un ejemplo de plataformas de cómputo en la nube.  

      

      *Parte 1*. Aprenda un sistema de organización de archivos ([guía](https://www.youtube.com/watch?v=duNwB8xt2_w)). ([tutorial](https://www.youtube.com/watch?v=I3jii6ltINY&frags=pl%2Cwn)).

      *Parte 2*. Active su cuenta de [Office 365 Pro Plus](https://www.uam.mx/o365/index.html) (software de oficina). Active su cuenta de [Telegram](https://telegram.org/). 

   

      *Parte 3*. Si tiene computadora en casa, descargue en instale el siguiente software: [*7-zip*](https://www.7-zip.org/download.html) (compresor/descompresor), [*OnlyOffice*](https://www.onlyoffice.com/) (suite de oficina), [*R*](https://www.r-project.org/) (software para análisis de datos y estadística) y [*RStudio*](https://posit.co/) (GUI para R).

      *Parte 4*. Cree su cuenta en [RStudio cloud](https://posit.cloud/) que le permitirá ejecutar código fuente de R en la nube, hacer las modificaciones que requiera y usarlo para sus propias necesidades.

   

      *Parte 5*. Para la práctica en el salón, descargue e instale [*PortableApps*](https://portableapps.com/) ([tutorial 1](https://www.youtube.com/watch?v=Ux_3p4lDmTg), [tutorial 2](https://www.youtube.com/watch?v=Ux_3p4lDmTg)) en su USB vacía. Tome en cuenta que debe desactivar el antivirus para realizar la práctica y usar *PortableApps*. [guía](https://www.youtube.com/watch?v=HDEhLpS7UwM)). Luego, descargue e instale el siguiente software portable en una USB: *7-zip* (compresor/descompresor) ([portable](https://portableapps.com/apps/utilities/7-zip_portable)), [*R Portable*](https://sourceforge.net/projects/rportable/files/R-Portable/)) y [*RStudio Portable*](https://sourceforge.net/projects/rportable/files/R-Studio/).

##### *Bibliografía Complementaria:*

- Ibiza, D. (2018, Apr 3). 1. Introducción a *Google Drive*: 

     1. Primeros pasos ([tutorial](https://www.youtube.com/watch?v=aLPTDIS-8dk&t=330s))    

     2. Gestión de archivos y carpetas ([url](https://www.youtube.com/watch?v=aLPTDIS-8dk&t=2042s))

     3. Opciones de archivos y carpetas ([url](https://www.youtube.com/watch?v=aLPTDIS-8dk&t=3313s))

     4. Cómo compartir archivos y carpetas ([url](https://www.youtube.com/watch?v=aLPTDIS-8dk&t=4238s))

     5. Trabajar con documentos ([url](https://www.youtube.com/watch?v=aLPTDIS-8dk&t=5222s))

  In _Tutorial Google Drive | Completo | Principiantes | Paso a Paso_. YouTube. (video). ([url](https://www.youtube.com/watch?v=aLPTDIS-8dk)).  

#### Unidad 1. Presentación

1. Introducción

2. Presentación del programa

3. Evaluación Global y de Recuperación

4. Prácticas:  

    - *Práctica 1.1: Elaboración de informes con RMarkdown en RStudio*. (Entrega: Semana 2).

     *Objetivo*: Aprender a crear y editar archivos RMarkdown en *RStudio*.

     *Parte 1*. Utilice el [Curso R para análisis de datos](https://bookdown.org/ddiannae/curso-rdata/) (García, 2022.) (en esa URL está disponible el archivo pdf) para estudiar R. Copie el texto a un archivo *.Rmd*. Utilícelo para consulta y reprodúzcalo, según lo necesite.

     Aprenda a incrustar *chunks* de código R para calcular el ejercicio y obtener los resultados de su ejecución, embebiendo código *LaTex* para automatizar lo que requiera ([tip](https://stackoverflow.com/questions/47463861/how-to-use-latex-code-in-r-chunk-in-r-markdown)). Enfóquese en aprender la sintaxis de *Markdown* y *LaTex*. Dibuje las fórmulas matemáticas con un editor en línea como [HostMath](https://www.hostmath.com/) o el bot [InLaTeXbot](https://t.me/inlatexbot) en Telegram. Aprenda a corregir los errores en sus archivos RMarkdown (*.Rmd*) y aprenda el funcionamiento de las herramientas para en generar los archivos *.html*, con el paquete [*knitr*](https://www.r-project.org/nosvn/pandoc/knitr.html), en RStudio, de manera local y en la nube [RStudio.cloud](https://posit.cloud/).

     *Parte 2*. Copie el texto de la Unidad 1 (Rangel, 2012, pp. 11-16), corríjalo y conviértalo a un archivo RMarkdown (*Unidad 1.Rmd*) usando RStudio. Edítelo correctamente con la sintaxis de *RMarkdown* e incruste código *LaTex* para lo que resulte pertinente.

     *Parte 3*. Extraiga el Ejemplo 1 (Rangel, 2012) y resuélvalo con R. 

     Al final, debe obtener el archivo .Rmd base para la generación de los archivos archivo HTML y PDF generados durante la conversión. Debe subir el entregable a su proyecto en [RStudio.cloud](https://posit.cloud/).

      

##### *Bibliografía Obligatoria:*   

- Rangel N., L. M. (2012). [*Guía de estudio de la asignatura Análisis de Decisiones*](https://libgen.rs/book/index.php?md5=2E0058C96A3774D8A8D050470BEBB977). México, D.F.: Facultad de Estudios Superiores Acatlán, UNAM.   

      

##### *Bibliografía Complementaria:*   

- Boccardo Bosoni y Ruiz Bruzzone. (2019). [Introducción al uso de RMarkdown para la compilación de resultados de RStudio en diferentes formatos](https://bookdown.org/gboccardo/manual-ED-UCH/introduccion-al-uso-de-rmarkdown-para-la-compilacion-de-resultados-de-rstudio-en-diferentes-formatos.html).

- Campos (2020). [Imágenes y multimedia en Rmarkdown](https://rpubs.com/Juve_Campos/ImagenesyMultimediaEnRmarkdown).

- DaniMedi (2020, Sep 17). [Ecuaciones (LaTeX) | Tutorial básico de R Markdown](https://www.youtube.com/watch?v=nd-YudmcLjQ).

- Gualchi. (2019). [Guía de R Markdown](https://gesel.github.io/materiales/10Gu%C3%ADa_RMarkdown.pdf).

- José Antonio: Estadística Aplicada (2021, Aug 23). [Aprende lo Básico de R Markdown en 20 Minutos](https://www.youtube.com/watch?v=6Qj8yBFgT9Q).  

- The Epidemiologist R Handbook. (2022). [40 Reports with R Markdown](https://epirhandbook.com/en/reports-with-r-markdown.html).

- Universitat de les Illes Balears. Som UIB (2021). MOOC Aprende R : Introducción al tratamiento de datos con R y RStudio. *YouTube*. ([url](https://www.youtube.com/playlist?list=PLnXFIHWLWQXFOIOdpAv2ioBHQuYgV7x2t)).

#### Unidad 2. De la 'Teoría de la Elección Racional' al 'Análisis de Decisiones'

1. La ciencia de la administración y la toma de decisiones

2. Toma de decisiones, teoría de la elección racional, racionalidad limitada y cibernética

3. ¿Qué es el análisis de decisiones?

4. Alcances y limitaciones del análisis de decisiones

5. Tareas y Prácticas:

### Bibliografía:

- Howard, R. A. (1988). Decision analysis: practice and promise, *Management Science, 34*(6), 679-695. ([url](https://www.jstor.org/stable/2632123)) ([pdf](https://sci-hub.ru/10.2307/2632123))

#### Unidad 3. Los problemas de decisión

1. Modelación de los problemas de decisión

2. Proceso de resolución de problemas de decisión

3. Estructuración de problemas de decisión

4. Modelos de decisión: 

   - Matriz de pagos

   - Árboles de decisión

   - Modelo de scoring

   - Modelo de norma mínima

   - Otras técnicas

5. Tareas y Prácticas:

- *Tarea 3.1: I. Introducción: Encuadre de un problema de decisión*. (Entrega: Semana 2).

  *Objetivo*: Aprender los conceptos del encuadre de un problema de decisión.

  *Parte 1*. Transcriba *en su cuaderno* el Ejemplo 1 y el grupo de ejercicios de la Unidad 1. Aplique los conceptos y el machote del Ejemplo 1, según se solicite en cada ejercicio. Resolver los ejercicios, con lápiz y papel, en su cuaderno, reforzará sus conocimientos, así que realice una aplicación reflexiva y no mecánica de los conceptos. Socialice sus conocimientos y dudas con sus compañeros a través del grupo de Telegram. Haga equipo con uno o dos compañeros del grupo.

  Tome buenas fotografías de su tarea y súbalas al grupo de Telegram, antes de la clase, en la fecha programada.

- *Práctica 3.2: I. Introducción: Encuadre de los problemas de decisión*. (Entrega: Semana 2).

  *Objetivo*: Aprender y practicar el algoritmo de encuadre de problemas de decisión  usando R.

  *Parte 1*. Como prerrequisito debe haber realizado las tareas y prácticas previas.

  *Parte 2*· Utilice el machote del código del Ejemplo 1 (Rangel, 2012, pp. 13-14) y resuélvalo en un archivo RMarkdown, embebiendo texto, código R y código LaTex. Demuestre que obtiene los mismos resultados. Llame a su archivo *Ejemplo 1.Rmd* y súbalo a su cuenta de GitHub donde corresponda. Instale los paquetes que requiera desde CRAN y úselos en RStudio. 

  *Parte 3*. Resuelva los ejercicios de la Unidad 1 en un archivo RMarkdown llamado *Ejercicios 1.Rmd* y súbalo a su cuenta de [RStudio en la nube](https://posit.cloud/). Asegúrese que puede generar atomáticamente y correctamente la solución para cada ejercicio, generando el reporte en un archivo *html*, a partir del archivo fuente *.Rmd*.

  

  Enfóquese en *comprender y aprender el algoritmo*, en aprender a utilizar nombres de variables, tipos de datos y estructuras de datos pertinentes y sus operaciones, en R. Aprenda a depurar y corregir los errores de compilación ([*Debugging*](https://adv--r-hadley-nz.translate.goog/debugging.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=en&_x_tr_pto=wapp)) de R.

  Si quiere aprender más, consulte los [recursos de aprendizaje gratuitos](https://hadley.nz/) del creador de RStudio, el profesor Hadley Wickham o revise la mayor complicación de recursos de aprendizaje de R: [Big book of R](https://www.bigbookofr.com/). (Sitio web) (La compilación más grande de libros y fuentes documentales sobre R). Si se tien más cómodo, use el [traductor de Google](https://translate.google.com/) y lea en su propio idioma.

  Suba sus archivos a su proyecto en [RStudio.cloud](https://posit.cloud/).

- *Tarea 3.3: II. Decisiones bajo completa incertidumbre*. (Entrega: Semana 3).

  *Objetivo*: Aprender los conceptos de la toma de decisiones bajo completa incertidumbre.

  *Parte 1*. Elabore *en su cuaderno* la síntesis de los conceptos de la Unidad 2 (Rangel, 2012, pp. 17-24), (*criterios de elección no probabilísticos*) con un *glosario*. Haga un contraste de las ventajas y desventajas de los cuatro criterios: (1) *maximin de Wald*, (2) *maximax*, (3) *criterio de Hurwitz* (*Índice* $\alpha$) y (4) *pesar minimax* (*criterio de Savage*). Concéntrese en entender y dominar los términos del lenguaje.

  *Parte 2*. Transcriba *en su cuaderno* el Ejemplo 2 (pp. 18-21) y el grupo de ejercicios de la Unidad 2. Aplique los conceptos y el machote del Ejemplo 2, según se solicite en cada ejercicio. Nuevamente, considere que resolver los ejercicios, con lápiz y papel en su cuaderno, reforzará sus conocimientos, así que realice una aplicación reflexiva y no mecánica de los conceptos.

  Tome buenas fotografías de su tarea y súbalas a su cuenta de GitHub y enlácelas en un archivo Markdown del reporte de su tarea, explicando lo que se ilustra en las fotografías.

- *Práctica 3.4: II: Decisiones bajo completa incertidumbre*. (Entrega: Semana 3).

  *Objetivo*: Aprender y practicar los algoritmos de problemas de decisión bajo completa incertidumbre usando R.

  *Parte 1*. Como prerrequisito debe haber realizado las tareas y prácticas previas.

  *Parte 2*· Utilice el machote del código del Ejemplo 2 y resuélvalo en un archivo RMarkdown, embebiendo texto, código R y código LaTex. Demuestre que obtiene los mismos resultados. Llame a su archivo *Ejemplo 1.Rmd* y súbalo a su cuenta de GitHub donde corresponda. Instale los paquetes que requiera desde CRAN y úselos en RStudio. 

  *Parte 3*. Resuelva los ejercicios de la Unidad 2 en un archivo RMarkdown llamado *Ejercicios 2.Rmd* y súbalo a su cuenta de [RStudio en la nube](https://posit.cloud/). Asegúrese que puede generar atomáticamente y correctamente la solución para cada ejercicio, generando el reporte en un archivo *html*, a partir del archivo fuente *.Rmd*.

  

  Enfóquese en *comprender y aprender el algoritmo*, en aprender a utilizar nombres de variables, tipos de datos y estructuras de datos pertinentes y sus operaciones, en R. 

  Suba sus archivos generados a su cuenta de GitHub y pruébelos en su proyecto en [RStudio.cloud](https://posit.cloud/).

- *Tarea 3.5: III. Decisiones bajo riesgo*.

  *Objetivo*: Aprender los conceptos de la toma de decisiones bajo riesgo.

  **Partes nones**. Elabore *en su cuaderno* la síntesis de los conceptos de la Unidad 3 (Rangel, 2012, pp. 25-54), con un *glosario* y tome nota de los supuestos de cada criterio. Concéntrese en entender y dominar los términos del lenguaje.

  **Parte pares**. Transcriba *en su cuaderno* el ejemplo y resuelva el grupo de ejercicios correspondiente. Aplique los conceptos y el machote del Ejemplo correspondiente, según se solicite en cada ejercicio.

  

  *Parte 1*. 3.1 Criterios para la toma de decisiones sin experimentación: (Entrega: Semana 4)  

     - 3.1.1 Criterio de Laplace  

     - 3.1.2 Criterio de la máxima posibilidad  

     - 3.1.3 Regla de decisión de Bayes (VEM)  

     - 3.1.4 Minimización de la pérdida de oportunidad esperada (POE)                

  

  *Parte 2*. Ejemplo 3 y Grupo de ejercicios 3  (Entrega: Semana 5)

  *Parte 3*. 3.2 Valor esperado de la información perfecta (VEIP)

     - 3.2.1 Método 1

     - 3.2.2 Método 2         

  *Parte 4*. Ejemplo 4 y Grupo de ejercicios 4  (Entrega: Semana 6)

  *Parte 5*. 3.3 Análisis de sensibilidad y 3.4 Árboles de decisión (Entrega: Semana 6)  

  *Parte 6*. Ejemplo 5 y Grupo de ejercicios 5  (Entrega: Semana 7)

  *Parte 7*. 3.5 Criterios para la torna de decisiones con experimentación y 3.6 Análisis en la forma extensiva         

  *Parte 8*. Ejemplo 6 y Grupo de ejercicios 6 (Entrega: Semana 8)

  Tome buenas fotografías de su tarea, súbalas a Telegram y enlácelas en un archivo Markdown del reporte de su tarea, explicando lo que se ilustra en las fotografías.

- *Práctica 3.6: III. Decisiones bajo riesgo*. (Entrega: Semana 9).

  *Objetivo*: Aprender los conceptos de la toma de decisiones bajo riesgo usando R.

  *Parte 1*. Elabore *en su cuaderno* la síntesis de los conceptos de la Unidad 3 (Rangel, 2012, pp. 25-54), con un *glosario* de manera progresiva y los ejercicios correspondientes de la Práctica 3.6:

     - 3.1. Criterios para la toma de decisiones sin experimentación  

           (a) Criterio de Laplace  

           (b) Criterio de la máxima posibilidad  

           (c) Regla de decisión de Bayes (VEM)  

           (d) Minimización de la pérdida de oportunidad esperada (POE))  

     - 3.2. Valor esperado de la información perfecta (VEIP):  

           (a) Método 1  

           (b) Método 2  

     - 3.3. Análisis de sensibilidad

     - 3.4. Árboles de decisión

     - 3.5. Criterios para la torna de decisiones con experimentación

     - 3.6. Análisis en la forma extensiva

 

  Tome nota de los supuestos de cada criterio. Concéntrese en entender y dominar los algoritmos.

### *Bibliografía Obligatoria*:

- Rangel Nafaile, L. M. (2012). Guía de estudio de la asignatura Análisis de Decisiones, México, D.F.: Universidad Nacional Autónoma de México, ([pdf](https://library.bz/uploads/main/2e0058c96a3774d8a8d050470bebb977.pdf)). 

- Irizarry, R. A. (2023). Capítulo 24: Procesamiento de cadenas. In *Introducción a la ciencia de datos: Análisis de datos y algoritmos de predicción con R* ([url](https://rafalab.dfci.harvard.edu/dslibro/procesamiento-de-cadenas.html)).

- Anonymous (2017, Nov 23). [How to use LaTeX code in R chunk in R-Markdown?](https://stackoverflow.com/questions/47463861/how-to-use-latex-code-in-r-chunk-in-r-markdown).

- Wickham, H. (). [22 Debugging](https://adv-r.hadley.nz/debugging.html). In *Advanced R*. Chapman & Hall’s. ([traducción](https://adv--r-hadley-nz.translate.goog/debugging.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=en&_x_tr_pto=wapp) ([pdf]())

- Baruffa, O. (2023, Aug 27). [Big book of R](https://www.bigbookofr.com/). (Sitio web) (La compilación más grande de libros y fuentes documentales sobre R).

##### *Bibliografía Complementaria:*   

- Howard, R. A., & Abbas, A. E. (2016). Foundations of decision analysis [Global Edition]. Great Britain: Pearson Education. ([url](http://libgen.rs/book/index.php?md5=4B19F574BA8246A5BA274A7AF4BFB6A5)).

- Drury, C. (2020). [*Management and cost accounting*](http://libgen.rs/book/index.php?md5=32C869373F6352B932D6EF56FB9CD9D4). USA: Cengage Learning EMEA.   

- Howard, R. A. (1968). The foundations of decision analysis. *IEEE Transactions on Systems Science and Cybernetics, 4*(3), 211-219. ([url](https://ieeexplore.ieee.org/abstract/document/4082150)) ([pdf](https://sci-hub.ru/10.1109/TSSC.1968.300115)).

- Ley-Borrás, R. (2015). Deciding on the decision situation to analyze: The critical first step of a decision analysis. *Decision Analysis, 12*(1), pp. 46-58. ([pdf](https://sci-hub.se/10.1287/deca.2014.0308)).  

- Keeney, R. L. (2007). Developing objectives and attributes. *In* W. Edwards, R. F. Miles y D. von Winterfeldt. (2007). [*Advances in Decision Analysis: From foundations to applications*](http://libgen.rs/book/index.php?md5=AE826E7206D6FE17FD495BDB3BE0BC7B) (pp. 104-128), Cambridge: Cambridge University Press.

- Ralph L. Keeney, R. L. (1982). Feature article - Decision Analysis: An overview. *Operations Research, 30*(5), 803-838. ([pdf](https://pubsonline.informs.org/doi/pdf/10.1287/opre.30.5.803)).  

- Rios, S. (1994). [Decision theory and decision analysis: Trends and challenges](https://libgen.rs/book/index.php?md5=174BD23546E097199CECBDBA593D2521). New York: Springer Science+Business Media.

- Ríos, S., Ríos, D., Mateos, A. y Martín, J. (1998). *Programación lineal y aplicaciones: Ejercicios resueltos*. México: Alfa Omega Ra Ma. ([pdf](http://libgen.rs/main/C3553551396E715FAD11F850D70DF9F2)).

- Rojas, G., Fernandez, E., Whitney, C., Luedeling, E. & Cuneo, I. F. (2021). Adapting sweet cherry orchards to extreme weather events: Decision analysis in support of farmers "Investments in Central Chile." *Agricultural Systems* 187(February): 103031. DOI: https://doi.org/10.1016/j.agsy.2020.103031 . ([url](https://sci-hub.ru/10.1016/j.agsy.2020.103031)). ([video](https://www.youtube.com/watch?v=kpsqzkeg53Y)). (**Estudio de caso**).

- Smith, J. E. y von Winterfeldt, D. (2004). Decision Analysis in "Management Science". *Management Science, 50*(5), 561-574. ([pdf](https://sci-hub.ru/10.2307/30046097)).  

- Fox, J. (2016). Applied regression analysis and generalized linear models*. Thousand Oaks, CA: Sage. ([pdf](https://libgen.rs/book/index.php?md5=51DA2C83D6A72D575E6BD179DD61DFE6)). 	

- Anónimo. (2023). [Decision trees in R Analytics](https://techvidvan.com/tutorials/decision-tree-in-r/) [Tutorial En Línea] TechVidvan.

- Anónimo. (2023). [Decision trees in R Analytics](https://techvidvan.com/tutorials/decision-tree-in-r/) [Tutorial En Línea]. TechVidvan. (datos en el paquete ISLR).

- Anónimo. (2017). [R decision trees: The best tutorial on tree based modeling in R!](https://data-flair.training/blogs/r-decision-trees/) [Tutorial En Línea]. DataFlair. ([datos](https://goo.gl/At238b)).

- Chicaiza, A. (2020). [Modelo de otorgamiento de crédito (AD Science Analytics)](https://rpubs.com/Alex_Deiiv/CreditScoring). RPubs. (Datos en xls: [German Credit Case Data](https://ocw.mit.edu/courses/15-062-data-mining-spring-2003/3d0fbded046c53a5fb72d3bcd2064ac9_GermanCredit.xls)) ([Otra versión](https://archive.ics.uci.edu/ml/datasets/statlog+(german+credit+data)) de German Credit Case Data).

- Nijs, V. R. (2019). [Radiant: Business analytics using R and Shiny](https://radiant-rstats.github.io/docs/index.html). ([Paquete en CRAN](https://cran.r-project.org/web/packages/radiant.data/readme/README.html)) ([Código fuente](https://github.com/radiant-rstats)) ([Documentación](https://radiant-rstats.github.io/docs/)) ([Instalación](https://radiant-rstats.github.io/docs/install.html)) ([Canal en YouTube](https://www.youtube.com/@RadiantForR/featured))

- Deehr, J. (2017, Aug 28). [Multi objective decision analysis [MODA] in R](https://rstudio-pubs-static.s3.amazonaws.com/300421_0e5019919ff146ab9d16e27b09fbf767.html). RPubs. [DecisionAnalysis-package: DecisionAnalysis: Multi-Objective Decision Analysis [MODA]](https://rdrr.io/github/AFIT-R/MODA/man/DecisionAnalysis-package.html#heading-0). ([Datos](http://nflsavant.com/)) ([traducción](https://rstudio--pubs--static-s3-amazonaws-com.translate.goog/300421_0e5019919ff146ab9d16e27b09fbf767.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=en&_x_tr_pto=wapp)).

- AFIT Data Science Lab. (2018). DecisionAnalysis. [[AFIT-R/MODA: Implementation of Multi Objective Decision Analysis](https://rdrr.io/github/AFIT-R/MODA/)]. RDRR. [[Código fuente en GitHub](https://github.com/AFIT-R/DecisionAnalysis)].  

- Kuhn, M. & Silge, J. (2022,Dec 20). [Tidy modeling with R: A framework for modeling in the tydiverse](https://www.tmwr.org/). O'Reilly. ([GitHub](https://github.com/tidymodels/TMwR)).  

### Bibliografía General:

- Recursos digitales en la UAM: biblioteca de la Unidad Iztapalapa ([url](http://contingencia.izt.uam.mx/wp-content/uploads/2020/04/Biblioteca-Nuevo-3b-bindani-B.pdf)), biblioteca digital ([url](https://bidi.uam.mx/index.html)), [recursos varios](http://pcyti.izt.uam.mx/recursos/infext/infoext.html).  

- Recursos controversiales: [Library Genesis](http://gen.lib.rus.ec/) (libros, artículos, novelas), [**SciHub**](https://sci-hub.se/about) (artículos), [The Pirate Bay](https://thepiratebay.org/index.html) (P2P file sharing network) (archivos), [Academic Torrents](http://academictorrents.com/) (artículos, datos y cursos).

- Repositorios de software: [Software para la comunidad UAM](https://www.uam.mx/ti/soft/), [AlternativeTo](https://alternativeto.net/), [SourceForge](https://sourceforge.net/), [CDLibre](https://www.cdlibre.org/), [Software Heritage](https://www.softwareheritage.org/?lang=es), [GitHub](https://github.com/github).

 

- Valcheva, S. (s.f.). 10 Open Source Decision Tree Software Tools. ([url](https://www.intellspot.com/open-source-decision-tree/)).

- Walum, H., & De Leon, D. (2022). Teacups, giraffes, & statistics (Tazas de té, jirafas y estadística). GitHub. [Módulos](https://tinystats.github.io/teacups-giraffes-and-statistics/) [Proyecto en RMarkdown](https://github.com/tinystats/teacups-giraffes-and-statistics) [Una deliciosa serie de módulos para aprender estadística y codificación en R para estudiantes, científicos y entusiastas de la estadística.]

- Guisande González, C. & Vaamonde Liste, A. (2013). [Gráficos estadísticos y mapas con R](https://libgen.rs/book/index.php?md5=8ECF29580BFE702F21D16CC2C9BDBA5C). España: Díaz de Santos.

- Universitat de les Illes Balears. Som UIB (2016, Sep 22). MOOC Aprende R : Introducción al tratamiento de datos con R y RStudio. *YouTube*. ([Lista de videos](https://www.youtube.com/playlist?list=PLnXFIHWLWQXFOIOdpAv2ioBHQuYgV7x2t)).

- Teetor, P. (2019).  [*R cookbook: Proven recipes for data analysis, statistics, and graphics*]. O'Reilly. [Online] ([traducción al español](https://translate.google.com/translate?sl=en&tl=es&u=https://rc2e.com/)).

- RStudio cheatsheets. ([url](https://github.com/rstudio/cheatsheets)).  

- Wickham, H. & Grolemund, G. (2017). [*R for data science: Import, tidy, transform, visualize, and model data*](https://r4ds.had.co.nz/). O'Reilly. ([R para ciencia de datos](https://es.r4ds.hadley.nz)). ([Solución de los ejercicios](https://cienciadedatos.github.io/r4ds-soluciones/index.html)).  

## Modalidades de Evaluación

### Evaluación Global

La asistencia puntual a la clase es obligatoria según el reglamento de estudios. Para tener derecho a presentar los exámenes debe tener una asistencia superior o igual al 80%. Es importante la *participación activa clase a clase*. La falta de participación en clase y la no entrega de sus reportes de prácticas a lo largo del trimestre tendrá repercusiones en la evaluación final que puede llegar a la reprobación del curso. Ver porcentajes de ponderación de calificación.

#### Calificación

| Factor | Porcentaje | Observaciones |

| --- | :---: | ------------- |

| Tareas|15% | Fecha límite: Por definir |

| Prácticas| 15% | Fecha límite: Por definir |

| Exámenes| 70% | Fecha: Por definir |

| Total | 100% | |

**Notas:

  - **a).** Primer examen: *Teórico*: Fecha: Por definir. 

  - **b).** Segundo examen: *Práctico*: Fecha: Por definir. 

  - **Evaluación Global:** Quienes no hayan aprobado los exámenes tendrán oportunidad de aplicar una evaluación global teórico-práctica de todo el curso (Teoría y Práctica). La misma oportunidad es para quienes tengan baja calificación o deseen subir. 

  - **Entrega de calificaciones:** Por definir.

### Evaluación de Recuperación

La *evaluación de recuperación* será aplicada por el profesor sinodal, bajo los lineamientos de la Coordinación de la Licenciatura en Administración, de acuerdo a las políticas definidas por la misma y será realizada según el calendario vigente.

La evaluación de recuperación consistirá en la presentación de un examen que pretende cubrir los objetivos y el contenido del [programa oficial](https://csh.izt.uam.mx/sistemadivisional/SDIP/pac/2211088pe.pdf), por ello, el temario de la evaluación es el siguiente:

l. Introducción.

2. Metodología del proceso de decisión.

3. Relación información - proceso de decisión.

4. Tipología de los problemas de decisión.

5. Estructuración de un problema de decisión.

6. Modelos de decisión.

     a. Modelo de norma mínima

     b. Modelo de scoring

     c. Árboles de decisión

     d. Matriz de pagos.

El programa oficial indica que la Evaluación de Recuperación "incluirá una **evaluación escrita** que podrá ser- **global** o complementaria con base en los contenidos del programa **Y un trabajo** que deberá entregarse en la fecha señalada en el calendario de evaluaciones de recuperación aprobado por

el Consejo Académico". 

Por lo anterior, **se solicita** como **prerrequisito** que el alumno realice la transcripción**, en su cuaderno, de los **conceptos** y los **ejemplos** y  sus **grupos de ejercicios** resueltos de las primeras tres unidades de la *[Guía de estudio de la asignatura Análisis de Decisiones](https://libgen.rs/book/index.php?md5=2E0058C96A3774D8A8D050470BEBB977)* (Rangel Nafaile, 2012). El prerrequisito garantiza que esté preparado para realizar el examen global. Sin embargo, puede usar cualquier otra bibliografía que juzgue conveniente como la incluida en este programa.

La **evaluación de recuperación** será el día **por definir** a las **10:00**, en el salón C219, asignado por la coordinación de Servicios Escolares y consistirá en **resolver un par de problemas** de análisis de decisiones, semejantes a los de la guía. El valor del examen es del 100%. Debe abordar un enfoque metodológico que incluya el encuadre del problema, el razonamiento del análisis y la solución o respuesta concreta, según se le pida en el problema. Para ello, debe presentarse, puntualmente, con bolígrafo, lápiz y calculadora (no se aceptará el uso de teléfono celular como calculadora). La duración del examen será de 2 horas. La calificación se le entregará 24 horas después.

**Notas:**

[^1]: Jaiswal, N. K. (1997). [*Military operations research: Quantitative decision making*](https://libgen.rs/book/index.php?md5=98AE66E1BEA25F94C02261DD3A990CF1). New York: Springer Science+Business Media.

[^2]: Gass, S. I. y Fu, M. C. (2013). Preface. *In* Saul I. Gass y Michael C. Fu (Eds.). [*Encyclopedia of operations research and management science*](https://libgen.rs/book/index.php?md5=2FC6FBADA0A62C8D44F19664B1BAF3D1). New York, Heidelberg, Dordrecht, London: Springer.

[^3]: Hitch, C. (1955). [An appreciation of systems analysis](https://sci-hub.ru/10.2307/166759). *Journal of the Operations Research Society of America, 3*(4), 466-481.

[^4]: Simon, H. A. (1955). [A behavioral model of rational choice](https://sci-hub.ru/10.2307/1884852). *The Quarterly Journal of Economics, 69*(1) (Feb), 99-118. DOI: [10.2307/1884852](http://doi.org/10.2307/1884852)

[^5]: Beer, S. (1968). [*Management science: The business use of operations research*](). USA: Aldus Books.

[^6]: Witzel, M. (2012). *A History of Management Thought*. London: Routledge.

[^7]: Buchanan, L y O'Connell, A. (2006). [A brief history of decision making](http://samuellearning.org/decisionmaking/handout1.pdf). *Harvard Business Review, 84*(1), 32-41, 132.

[^8]: Chen, N. C., Shauver, M. J., & Chung, K. C. (2009). [A primer on use of decision analysis methodology in hand surgery](https://sci-hub.ru/10.1016/j.jhsa.2009.03.005). *The Journal of Hand Surgery, 34*(6), 983-990.

[^9]: Call, H. J., y Miller, W. A. (1990). [A comparison of approaches and implementations for automating decision analysis](https://sci-hub.ru/10.1016/0951-8320%2890%2990092-2). *Reliability Engineering & System Safety, 30*(1-3), 115-162.