La incertidumbre, tal como se defini en la Consulta Tcnica sobre el Enfoque

Precautorio en Pesqueras (CTEP), es "la imperfeccin en el conocimiento sobre el

estado o los procesos de la naturaleza" (FAO/Gobierno de Suecia, 1995). La
incertidumbre estadstica es "la aleatoridad o el error proveniente de varias fuentes
como las descritas al usar la metodologa estadstica". La CTEP define el riesgo como
"la probabilidad de que pase algo malo." Note que en trminos de teora de decisiones,
el riesgo es definido como las prdidas promedio o las prdidas que se pronostican
cuando algo malo sucede.

Claramente, cuando las decisiones de ordenacin van a basarse en estimados

cuantitativos, provenientes de los modelos de evaluacin pesquera, es deseable que
la incertidumbre sea cuantificada y utilizada para calcular la probabilidad de lograr el
objetivo deseado y/o de incurrir en eventos indeseables. El proceso de comunicar este
riesgo a los que toman las decisiones est an en sus primeros estados de desarrollo
y presenta retos sustanciales, tanto a los tcnicos pesqueros como a los
administradores. Por otro lado, los administradores pesqueros y los participantes en la
pesquera deben desarrollar medios para evaluar objetivamente los costos potenciales
de los eventos indeseables y definir los niveles de riesgo aceptables y de capturas a
corto plazo que puedan contribuir a reducir estos riesgos.

Cuando se proponen medidas de ordenacin, es deseable la evaluacin de los costos

esperados y de aquellos eventos indeseables que pueden resultar de una accin
particular (Beddington, 1978; Francis, 1991). Mientras que en el pasado esta prctica
ha sido rara, en los ltimos aos algunos fracasos en la ordenacin de poblaciones
bien estudiadas ha transformado a este asunto en una prioridad cientfica.
Recientemente, se han desarrollado varios talleres en donde se ha enfocado la
evaluacin del riesgo en la ordenacin pesquera (SEPSC, 1991; NAFO, 1991; Anon.,
1992; Smith et al, 1993; Kruze et al.,1993; FAO/Gobierno de Suecia, 1995).

3.1 Tipos de incertidumbre

3.1.1 Incertidumbre debida a errores de medicin y sesgo

3.1.2 Incertidumbre en el proceso
3.1.3 Incertidumbre en el modelo
3.1.4 Incertidumbre en la estimacin
3.1.5 Incertidumbre en la implementacin

Hay varias fuentes de incertidumbre en el clculo de los puntos de referencia y en la

evaluacin del estado de las poblaciones con respecto a estos puntos de referencia.
Cinco tipos de incertidumbre, que emergen de un conocimiento impreciso del estado
de la naturaleza, son (Rosenberg y Restrepo, 1992):

- Incertidumbre en la medicin, es el error en las cantidades observadas tales como la

captura o los parmetros biolgicos;

- Incertidumbre en el proceso, es la aleatoridad subyacente en la dinmica poblacional

tal como la variabilidad en el reclutamiento;
- Incertidumbre en el modelo, es la especificacin errnea de la estructura del modelo;

- Incertidumbre en la estimacin, es la que puede resultar de cualquiera, o de una

combinacin, de las incertidumbres descritas anteriormente y es la inexactitud e
imprecisin en la abundancia o en la tasa de mortalidad por pesca;

- Incertidumbre en la implementacin, es la consecuencia de la variabilidad que resulta

de una poltica de ordenacin, i.e. incapacidad para alcanzar exactamente el objetivo
de una estrategia de captura.

Not que las fuentes de incertidumbre incluyen no slo el error estadstico en detectar
el estado de la poblacin y las tendencias ambientales, o a los errores en el anlisis
poblacional, sino tambin a las decisiones errneas y un marco de ordenacin
ineficiente; asuntos que se tratan posteriormente en este trabajo.

3.1.1 Incertidumbre debida a errores de medicin y sesgo

Las fuentes potenciales de variabilidad en los datos de pesqueras comerciales

comnmente disponibles -captura, esfuerzo de pesca y muestras biolgicas de la
captura por tamaos, determinacin de edades y de madurez- han sido el inters de
los estadsticos pesqueros y de los cientficos encargados de las evaluaciones por
varias dcadas (Doubleday y Rivard, 1983, Reporte del Grupo de Trabajo de
Evaluaciones del ICES). Ahora, estas fuentes son relativamente bien conocidas y
cuantificadas. Donde se utilizan cruceros de muestreo hay problemas estadsticos
estndares relacionados con el tamao y la representatividad de las muestras. Sin
embargo, la dificultad para contabilizar los descartes continua sesgando las
estadsticas de desembarque de muchas pesqueras (Alverson et al., 1994). En las
bitcoras y sistemas de reporte existen a menudo reportes errneos y, al cuantificar el
esfuerzo, a menudo existen incrementos ocultos en el poder de pesca de las
embarcaciones debido al aprendizaje de los pescadores y a los cambios tecnolgicos.

Mientras que una prospeccin de pesca, con una embarcacin estndar y un diseo
aleatorizado, puede proporcionar estimaciones objetivas o un ndice del tamao de la
poblacin que son menos propensos a riesgos que los datos de captura, las
estimaciones resultantes de la prospeccin tambin tienen una varianza significativa
(Doubleday y Rivard, 1981). La varianza asociada con las prospecciones acsticas es
tambin considerable (Simmonds et al., 1992) La tabla 4 incluye algunas estimaciones
del rango de errores probables en algunas de las variables poblacionales para
poblaciones de peces bien estudiadas.

3.1.2 Incertidumbre en el proceso

La variabilidad natural asociada a los sistemas de produccin de peces puede ser

enorme. La variabilidad ambiental, la fuente ms grande de errores en el proceso,
usualmente se manifiesta como variabilidad en el reclutamiento (Hennemuth et
al.,1980). En poblaciones de vida corta, esto puede resultar en fluctuaciones
dramticas en la biomasa de los adultos (Lluch-Belda et al., 1989)

Aunque pueden haber relaciones y patrones que pueden modelarse estadsticamente

para proporcionar alguna explicacin de eventos anteriores, ha habido poco xito en
predecir, con suficiente anticipacin, las condiciones ambientales o las respuestas de
las poblaciones de peces y que sean tiles para la ordenacin (Walters y Collie, 1988).
De esta manera, a menudo la variabilidad ambiental se considera completamente
estocstica y, usualmente, el enfoque ms apropiado es medir directamente sus
efectos sobre las poblaciones de peces mediante prospecciones de los pre-reclutas
(Bradford, 1992).

Adems de la variabilidad a una escala de tiempo inter-anual, tambin hay cambios

ambientales que abarcan dcadas e incluso sobre escalas de tiempo ms largas, las
cuales afecten la abundancia de la poblacin, su distribucin y localizacin en formas
que son difciles de medir y mucho menos de predecir (Murawski, 1993)

Generalmente se acepta que las poblaciones de peces llegan a ser ms susceptibles a

la variabilidad ambiental en la medida en que se incrementa la explotacin. De esta
forma, hay un efecto directo de la ordenacin en la incertidumbre y la reduccin de la
incertidumbre puede ser, en si misma, un objetivo de la ordenacin.

3.1.3 Incertidumbre en el modelo

Los errores de los modelos raramente son evaluados, debido a que los datos
requeridos para distinguir entre los diferentes modelos no estn disponibles. Los
estudios sobre el desempeo relativo de varias formulaciones de modelos, e.g. los
modelos de produccin de Schaeffer y Fox, sugieren que stos pueden proporcionar
resultados sustancialmente diferentes usando el mismo conjunto de datos. De hecho,
el mismo modelo puede dar resultados bastante distintos dependiendo de la estructura
de error asumida (Polancheck et al., 1993). Otros ejemplos de errores potenciales en
los modelos de evaluacin de poblaciones incluyen los modelos utilizados para calibrar
ndices de abundancia (e.g. ajuste o sintonizacin del APV), el uso de valores
convencionales constantes para la mortalidad natural y el establecimiento de valores
de F para los peces jvenes como una funcin de estos propios valores en los
individuos ms viejos.

El error en el modelo puede examinarse, en algn grado, utilizando varios modelos

para evaluar el mismo recurso aunque, en la prctica, los datos y experiencia
requeridos para un enfoque de multimodelos raramente existen. Sin embargo, en
aquellos casos en que se ha intentado, a menudo se han encontrado diferencias
sustanciales, por ejemplo, en el caso del atn de aleta azul del Atlntico Occidental,
tres mtodos dieron estimados del MRS de 3942, 5530 y 6755 tm/ao (ICCAT, 1994).

3.1.4 Incertidumbre en la estimacin

Debido a la naturaleza secuencial de las evaluaciones, los errores en la estimacin

ocurren en varias etapas y se propagan a travs del proceso. Ellos pueden verse
como el resultado combinado de los tres tipos de errores bosquejados anteriormente.
Aunque en el pasado, los estimados explcitos de la exactitud eran raros, ahora han
llegado a ser ms comunes en la literatura. En la tabla 4 se presentan algunos
estimados del orden probable del error para las cantidades comnmente utilizadas en
la evaluacin del estado de las poblaciones de pesqueras costeras. La generalidad de
estos ejemplos puede ser cuestionable, pero probablemente estn subestimadas en el
caso de las poblaciones de peces pelgicos y grandes pelgicos.

Los intentos para cuantificar los errores en la estimacin utilizan la variabilidad

estimada en los valores de los parmetros medidos. Es importante notar, sin embargo,
que varios procedimientos utilizan entradas asumidas o sin mediciones, para las
cuales no hay informacin sobre la variabilidad. El ms significativo de estos
parmetros de entrada asumidos es la mortalidad natural, la cual raramente se mide o
es fcilmente medible. Un anlisis reciente del eglefino en tres subreas del Mar del
Norte proporcion estimaciones de M que varan desde 0.37 hasta 0.53,
considerablemente ms altos que el valor convencional de 0.2 que se utiliza para las
poblaciones demersales del Atlntico Norte (Jones y Shanks, 1990).

La mayora de las evaluaciones de poblaciones y de los clculos de puntos de

referencia objetivos involucran una secuencia de anlisis complejos. Inevitablemente,
en cada etapa hay decisiones que tomar las cuales pueden afectar significativamente
el resultado del anlisis. En ausencia de una metodologa que pueda proporcionar una
solucin nica, muchos sistemas de ordenacin adoptan un enfoque de comit, en el
cual el resultado, a menudo, es alcanzado por consenso. Para algunos tipos de
evaluacin, notablemente las evaluaciones APV-basadas, este problema ha sido
abordado mediante la automatizacin del procedimiento (Gavaris, 1988; Conser y
Powers, 1990).

Los errores en la estimacin que resultan de sesgos o de tendencias en las variables

de entrada pueden ser muy difciles de detectar o de describir. Un ejemplo dramtico
es el error sistemtico en la estimacin de la abundancia poblacional utilizando
mtodos de anlisis secuencial de poblaciones (anlisis de poblacin virtual y anlisis
de cohortes). Estos errores solamente fueron detectados cuando los cientficos
realizaron un anlisis retrospectivo, varios aos despus de que los estimados
poblacionales haban sido utilizados para suministrar asesora para la ordenacin.
Esto slo pudo hacerse mediante la comparacin de los estimados poblacionales para
cohortes que hubieran pasado casi completamente a travs de la pesquera (cohortes
para las cuales los anlisis secuenciales de poblaciones, ASP, convergieron y para los
cuales los estimados son poco afectados por los valores de entrada de F para los aos
ms recientes), con las estimaciones de aquellas cohortes en el momento en que
acababan de entrar a la pesquera. Fueron detectadas diferencias sustanciales entre
las dos estimaciones, algunas veces diferencias de un orden de magnitud o ms.

Debido a la complejidad del proceso de evaluacin, las causas de las diferencias

encontradas por el anlisis retrospectivo fueron extremadamente difciles de evaluar y,
todava, no estn bien comprendidas. Estas se han atribuido indistintamente a reportes
errneos de capturas, a tendencias en la capturabilidad, al supuesto de una mortalidad
natural constante a travs de todos los grupos de edad y a los supuestos
concernientes al reclutamiento parcial (la susceptibilidad a la explotacin) a diferentes
edades (Sinclair et al., 1990; Parma, 1993). Sinclair et al. (1990) concluy que "los
estimados del tamao de la poblacin a partir de la convergencia del ASP no
necesariamente representan el verdadero tamao de la poblacin para aquellos aos",
dejando as dudas considerables en cuanto a la validez de una metodologa que ha
sido una piedra angular en la evaluacin de poblaciones en muchas partes
desarrolladas del mundo.

Los valores de la tabla 4 muestran claramente que el tamao actual de la poblacin y

la mortalidad por pesca se conocen con una precisin relativamente baja para la
mayor parte de las pesqueras, aunque con los anlisis retrospectivos, particularmente
el APV, las estimaciones anteriores pueden mejorarse algo. La captura total puede
parecer una cantidad conocida con una precisin ms alta que otras variables, pero a
menudo sufre de sesgos altos o desconocidos debido a los descartes y a los reportes
errneos, particularmente si la ordenacin es a travs de cuotas. Las estimaciones de
la biomasa mediante prospecciones tienen, tpicamente, una alta varianza, pero
pueden estar menos sesgados y mejorarse con mayor investigacin. En todos los
casos, la magnitud relativa del cambio de ao a ao ser conocida con mejor precisin
que el valor absoluto.
"EN AUSENCIA DE INFORMACION PRECISA, PUEDE SER NECESARIO ESTABLECER
OBJETIVOS SENSATAMENTE PRUDENTES"

Anon., 1991

Hasta la fecha, el inters ha estado en la cuantifcacin de la incertidumbre asociada

con las estimaciones del estado de la poblacin. Los puntos de Referencia se ven
frecuentemente como valores puntuales. El problema ser probablemente ms severo
cuando el estado y los valores objetivos se estimen utilizando diferentes modelos y/o
datos. En ltima instancia, los cientficos pesqueros necesitarn ampliar sus enfoques
para tomar en cuenta la incertidumbre conjunta de las estimaciones del estado de la
poblacin y de los puntos de referencia y, si es posible, de las interacciones en el
proceso de estimacin.

3.1.5 Incertidumbre en la implementacin

El error en la implementacin usualmente se considera fuera del componente cientfico

de la ordenacin pesquera y, aunque es muy evidente, ha sido poco estudiado
(O'Boyle, 1993). Este error est ligado, principalmente, a la falla en el control de la
explotacin por cualesquiera de las medidas de MCV (monitoreo, control y vigilancia)
que hayan sido adoptadas. Las razones son muchas y estn interrelacionadas, por
ejemplo, una pobre vigilancia y control; falta de preocupacin por parte de la
administracin de justicia cuando los casos son odos; fallas de los participantes en el
apoyo a las medidas debido a la falta de oportunidad de participacin durante su
desarrollo o por simples desacuerdos con las medidas que se han establecido.

En los sistemas de ordenacin basados primariamente en una asesora generada a

partir de evaluaciones biolgicas, la falla al incorporar informacin no biolgica, o su
incorporacin incorrecta, tambin contribuye al error en la implementacin.
Frecuentemente, estos problemas pueden ser conocidos por los administradores y sus
asesores tcnicos, pero puede ser imposible cuantificar la incertidumbre, excepto de
manera retrospectiva.

Un taller para revisar la ordenacin de las poblaciones de peces demersales de la

Plataforma de Nueva Escocia en el este de Canad, desde 1977 a 1993, concluy que
el error en la implementacin fue la causa principal de la falla para conservar las
poblaciones (Angel et al., 1994). El Taller not que "En suma, el enfoque tctico
seleccionado para controlar la mortalidad por pesca gener un comportamiento ilegal
que no fue controlado por el rgimen de control disponible".

Los aspectos institucionales del error en la en la implementacin sern considerados

en mayor detalle en la Seccin 4.

3.2 Estimacin de la incertidumbre y del riesgo

El enfoque ms comn para estimar el efecto de la variabilidad sobre los resultados de
los modelos que utilizan una variedad de parmetros de entrada, es una simulacin de
la propagacin de los errores, en la cual se permite variar los parmetros de entrada y
la variabilidad de los resultados del modelo se describe en trminos probabilsticos.
Los dos enfoques metodolgicos ms comnmente utilizados para la propagacin de
errores son las simulaciones de Monte Carlo y las tcnicas de remuestreo tales como
la del "bootstrapping". La simulacin de Monte Carlo es la replicacin de un
procedimiento con datos de entrada o parmetros extrados aleatoriamente a partir de
una distribucin paramtrica (a menudo referida como bootstrap paramtrico). Las
tcnicas de remuestreo involucran la replicacin de un procedimiento utilizando datos
de entrada obtenidos por mustreos a partir de observaciones empricas (Manly,
1991). Smith et al. (1993) proporcionan una visin general del enfoque de "bootstrap"
para identificar y cuantificar las incertidumbres asociadas a los puntos de referencias.
Estos procedimientos proporcionan estimaciones de la funcin de densidad
probabilstica (FDP) para los resultados, la cual puede ser mostrada de diferentes
maneras (Fig. 12).

La simulacin de Monte Carlo requiere de ms estadstica que la tcnica de

"bootstrap", ya que requiere conocer la distribucin del error de los parmetros de
entrada. Rice (1993) sugiere que los mtodos de estimacin de la densidad no-
paramtricos (Silverman, 1986) tambin pueden ser aplicables, particularmente en los
casos donde hay dudas sobre el grado en que los modelos especifican errneamente
la relacin funcional entre pares de variables histricas, e.g. entre la biomasa de la
poblacin desovante y el reclutamiento.

La informacin sobre la variabilidad en las entradas de los modelos ha sido utilizada

para evaluar el riesgo de dos maneras. Primero, ha sido utilizada para simular la
respuesta de la poblacin a varias estrategias de explotacin, con el propsito de
comparar enfoques de ordenacin a largo plazo (Ruppert et al., 1985). Segundo, ha
sido utilizada para estimar la probabilidad de estar en, o cerca de, un punto objetivo en
un determinado ao y, a la luz de esto, estimar la probabilidad de exceder algn lmite
o umbral indeseable (Mohn, 1993). El ltimo uso ha sido el foco de atencin ms
reciente en la ordenacin pesquera.

Para asesorar sobre el riesgo, es necesario ir ms all de la probabilidad de

ocurrencia de eventos particulares y cuantificar el grado en que estos eventos son
indeseables, esto es, el costo o el impacto del evento. Esto requiere que la relacin
entre los resultados especficos y la consecuente prdida de beneficios sean
especificadas (Anon., 1992). Un incremento de las capturas est acompaado de una
reduccin en la biomasa en las pesqueras y tiene asociado riesgos de variabilidad y
de colapso de la poblacin. El enfoque ms simple de riesgo es, usual mente, "Cunta
captura puede obtenerse sin reducir la poblacin al punto dnde sta pueda fluctuar
inaceptablemente y/o sea incapaz de reponerse por s misma por debajo de un 10 %
(o incluso ms alto)". Hay muchas otras preguntas con relacin al riesgo, de la misma
forma que hay objetivos de ordenacin, o combinaciones de objetivos de ordenacin.
En la medida en que la cuantificacin del riesgo y la aplicacin de la teora de
decisiones basada en los riesgos llegue a estar ms formalmente incorporada dentro
de la ordenacin pesquera, el concepto inevitablemente ser aplicado a asuntos
econmicos y sociales ms complejos.

En el presente, uno de los principales impedimentos para la evaluacin y uso del

riesgo en el suministro de asesora para la ordenacin, ha sido la definicin formal de
"seguro" (riesgo aceptable). Claramente, ste debiera ser especfico para cada
pesquera. Sin embargo, algunas generalizaciones precautorias son deseables. Por
ejemplo, aunque el riesgo est incluido en la base conceptual de la ordenacin de las
Pesqueras de Nueva Zelandia, ste no ha sido formalmente definido. Francis (1993)
propone una definicin en la cual el nivel de captura debiera ser considerado seguro si
mantiene la biomasa de la poblacin desovante por encima del 20 % del nivel de la
poblacin virgen, al menos el 90 % de las veces. Las definiciones de riesgo aceptable
sern generalmente expresadas en trminos como los discutidos hasta ahora, que
niveles de riesgo debajo de un 10 % (o incluso mayores) estarn justificados por los
datos disponibles.

Figura 12: Tres maneras de mostrar la informacin sobre la incertidumbre

utilizando una distribucin de probabilidades: (a) la Funcin de Densidad
Probabilstica es ms apropiada cuando la preocupacin principal es la
posibilidad de alcanzar un objetivo; (b,c) la probabilidad de supervivencia y las
Distribuciones de Probabilidades Acumulativas, son ms apropiadas cuando la
preocupacin principal es evitar un PRL superior e inferior, respectivamente.

Se pueden identificar dos categoras de riesgos: el riesgo de no lograr un PRO y el

riesgo de exceder un PRL (Mace, 1994). Los costos de no alcanzar un PRO
usualmente estn definidos en trminos de la reduccin o interrupcin en el corto-
plazo del flujo de beneficios para los participantes en la pesquera y para los
consumidores, an cuando esto pueda resultar en ganancias netas en el largo plazo.
Esto tambin puede ser balanceado por un aumento de los precios en el mercado
como resultado de una reduccin en la oferta. Para especies con una mortalidad
natural baja, la mayor parte de la biomasa no capturada en un ao puede estar
disponible el ao siguiente. Para especies con una alta mortalidad natural, la biomasa
que no se pesca har una contribucin, a travs de la depredacin, a otros
componentes, posiblemente valiosos desde el punto de vista comercial, de la trama
trfica.

Los costos de exceder un PRL son mucho ms serios y han sido discutidos
anteriormente y pueden ir desde una disminucin al colapso de las poblaciones,
impactos sobre las especies asociadas y desestabilizacin de los ecosistemas y
prdidas de los ingresos a largo plazo, incluyendo impactos intergeneracionales. Si la
condicin para una captura segura slo puede lograrse mediante gastos en la
investigacin, ordenacin y control que excedan la renta neta que probablemente
proporcione el recurso, debieran considerarse otros enfoques de ordenacin menos
costosos, tales como capturas intermitentes (pesca en pulsos o selectiva) bajo una
estrecha supervisin, o la rotacin de la pesca entre las reas de pesca. Consistente
con las dos categoras de riesgo descritas anteriormente, hay dos tipos de errores de
ordenacin que pueden surgir debido a la incertidumbre sobre el estado actual de la
poblacin (Rosenberg y Restrepo, 1995). Los trminos errores de Tipo I y de Tipo II
han sido adoptados del mismo modo en que se usan en la estadstica convencional. El
error de Tipo I ocurre cuando los cientficos asesoran errneamente a los
administradores de que se est produciendo una sobrepesca. El error de Tipo II ocurre
cuando los cientficos errneamente concluyen que la poblacin est subexplotada.
Como se indic anteriormente, las consecuencias de un sesgo hacia errores de Tipo II
son ms serias que los sesgos hacia errores de Tipo I.

Un marco de ordenacin que invoque a acciones prefijadas cuando uno o ms PRLs

(ya sean cuantitativos o cualitativos) han sido excedidos es, en efecto, un enfoque
precautorio. Un contexto para este enfoque es anlogo a un termostato (Die y Caddy,
en prensa): la pesquera que opera bajo un estricto control del acceso, no est sujeta a
un objetivo de captura o de limitacin, pero una vez que uno, o una serie de PRLs,
muestra evidencia de sobrexplotacin, se pone en prctica una accin de ordenacin
pre-establecida para reducir el esfuerzo de la flota. Esto es mantenido o reforzado
hasta que el recurso se recupera a un nivel pre-acordado, cuando la tasa de
explotacin puede ser incrementada ligeramente.

Tambin pueden haber riesgos debidos a interacciones biolgicas no previstas, que

van ms all del mbito de control de la ordenacin, pero que a pesar de esto afectan
a la pesquera. Por ejemplo, la invasin de aguas Noruegas por focas "arpas", para las
que se estim que, en 1987 y 1988, consumieron 325,000 75,000 t de bacalao y
pescadilla, produjeron una disminucin sbita en las clases de edad de tres aos
(Ugland et al., 1993). Tales eventos biolgicos y ambientales, aunque no
necesariamente son causados por la pesca, necesitan ser pronosticados cuando sea
posible, monitoreados y tomados en cuenta en relacin a cualquier PRL biomasa-
basado.

3.3 Asesoramiento a los administradores sobre incertidumbre y

riesgo
No hay mtodos estndares para comunicar la incertidumbre y el riesgo a los que
adoptan las decisiones sobre pesqueras (Rosenberg y Restrepo, en prensa). Las
estadsticas bsicas proporcionan una variedad de medios de comunicar la
variabilidad, los que pueden ser utilizados para indicar la incertidumbre asociada a una
estimacin en particular, o para indicar la probabilidad de ocurrencia de un evento
indeseable. Las funciones de densidad probabilstica se usan ms frecuentemente
para comunicar la variabilidad asociada a una media cuando las observaciones estn
normalmente distribuidas. Para propsitos de ordenacin pesquera, las probabilidades
acumulativas o distribuciones de supervivencia acumuladas pueden ser ms tiles
cuando el propsito es estimar la probabilidad de evitar el lmite superior e inferior (Fig.
12). Los mtodos no-paramtricos basados en percentiles y cuartiles y el uso de "box
plots" pueden ser ms apropiados cuando las distribuciones estn sesgadas.

El mtodo para comunicar la incertidumbre y el riesgo a los administradores

depender de su nivel de sofisticacin tcnica. En situaciones de muchos pases en
desarrollo, ser importante relacionar la incertidumbre con caractersticas de la
pesquera que son bien conocidas, e.g. una cantidad de captura en lugar de un nivel
de F. Una simple presentacin grfica fue utilizada para los peces voladores en el
Caribe oriental como un medio de comunicar las tendencias en las capturas, las tasas
de captura, su variabilidad y la probabilidad creciente de eventos indeseables cuando
se incrementaba la F (Fig. 13).

Para muchas poblaciones valiosas, los intentos de cuantificar la incertidumbre y el

riesgo estarn justificados. Para la pesquera de bacalao del norte en Terranova y
Labrador, Restrepo et al. (1992) utilizaron el enfoque de Monte Carlo para investigar
los riesgos asociados con la ordenacin por cuotas. Utilizando 1000 corridas de
simulacin ellos encontraron que, si al final de 1990 nosotros deseamos obtener
F1991 = F1990, los estimados de cuotas para 1991, cuando todos los elementos
conocidos de incertidumbre fueron introducidos en el modelo, podran estar en el
orden de 170,000-260 000 t. Tal tipo de simulacin proporciona la base para evaluar el
riesgo de cualquier cuota. De esta manera, ellos notaron que incrementando en 5 000
t la cuota de 210,000 t, se doblaba el riesgo de exceder F1990. (Incidentalmente, hay un
inters particular en revisar esta evaluacin particular del riesgo despus del colapso y
el cierre de esta pesquera de bacalao en los ltimos aos).

Hilborn y Peterman (1995), recomendaron que los cientficos eviten presentar

simplemente un espectro de valores. Ellos plantean que la asesora debera tratar
tanto con las consecuencias de las hiptesis alternativas como con las acciones
alternativas. Ellos sugieren que en lugar de decir que "la captura sostenible puede
estar entre 5 y 100 tm, con nuestro mejor estimado de 75 tm", se lograra una
discusin mucho mejor informada si se presenta en la siguiente forma "hay una
probabilidad del 40 % de capturar 50 tm/ao por los prximos 20 aos, una
probabilidad del 50 % de capturar 75 tm/ao y una probabilidad del 10 % de capturar
100 tm/ao."

El inters actual acerca de la cuantificacin de la incertidumbre y del riesgo requiere

una considerable cantidad de informacin y experiencia. Es importante para los
administradores y asesores pesqueros notar que una visin subjetiva del riesgo,
basada en la experiencia de los participantes, tambin puede ser aplicada en la
ordenacin. La mayora de los pescadores y administradores informados estaran de
acuerdo en que hay un riesgo inaceptablemente alto de que la pesca sin control de las
agrupaciones reproductivas del mero conduzca a la extincin de las mismas y que el
acceso a las agregaciones debera estar controlado. No se requiere la evaluacin de
una poblacin particular para una accin de ordenacin. Los datos para estimar un
escape ptimo pueden no estar disponibles ni que tampoco sea percibido como
econmicamente viable, debido a la tasa de descuento, adquirir y analizar los datos,
pero la sustentabilidad puede lograrse limitando el acceso.

Toma de decisiones en condiciones de certeza, incertidumbre y riesgo

Prcticamente todas las decisiones se toman en un ambiente de cierta incertidumbre. Sin embargo, el
grado vara de una certeza relativa a una gran incertidumbre. En la toma de decisiones existen
ciertos riesgos implcitos.
En una situacin donde existe certeza, las personas estn razonablemente seguras sobre lo que ocurrir
cuando tomen una decisin, cuentan con informacin que se considera confiable y se conocen las
relaciones de causa y efecto.
Por otra parte en una situacin de incertidumbre, las personas slo tienen una base de datos muy
deficiente. No saben si estos son o no confiables y tienen mucha inseguridad sobre los posibles cambios
que pueda sufrir la situacin. Ms an, no pueden evaluar las interacciones de las diferentes variables,
por ejemplo una empresa que decide ampliar susoperaciones a otro pas quizs sepa poco sobre
la cultura, las leyes, el ambiente econmico y las polticas de esa nacin. La situacin poltica suele ser
tan voltil que ni siquiera los expertos pueden predecir un posible cambio en las mismas.
En una situacin de riesgo, quizs se cuente con informacin basada en hechos, pero la misma puede
resultar incompleta. Para mejorar la toma de decisiones se puede estimar las probabilidades objetivas de
un resultado, al utilizar, por ejemplo modelos matemticos. Por otra parte se puede usar
la probabilidad subjetiva, basada en el juicio y la experiencia. Afortunadamente se cuenta con
varias herramientas que ayudan a los administradores a tomar decisiones ms eficaces.
Distinguir las bases cuantitativas y cualitativas para la toma de decisiones
La gama de tcnicas se extiende desde las corazonadas en un extremo hasta los anlisis matemticos
complejos en el extremo opuesto.
Desde el punto de vista prctico no existe ni una tcnica mejor ni una combinacin que deba utilizarse en
todas las circunstancia. La seleccin es individual y por lo general est dictada por los antecedentes y
conocimientos del gerente y por los recursos disponibles.
1. Bases no cuantitativas:

2. Los medios no cuantitativos son tiles, no solo para los problemas que se refieren a los
objetivos, si no tambin para los problemas que tratan con los medios de alcanzar los objetivos.
En aplicacin, las bases no cuantitativas son en alto grado personales, ampliamente conocidas y
estn consideradas por muchos como la manera natural de tomar una decisin; existen cuatro bases:
intuicin, hechos, experiencias y opiniones consideradas
3. Bases cuantitativas:

Esta es la habilidad de emplear tcnicas presentadas como mtodos cuantitativos o investigacin de

operaciones, como pueden ser la programacin lineal, teora de lneas de espera y modelos
de inventarios. Esta herramienta ayuda a los mandos a tomar decisiones efectivas, pero es muy
importante no olvidar que las habilidades cuantitativas no deben, ni pueden reemplazar al buen juicio, en
el proceso de la toma de decisiones.
Disponen de numerosos medios diferentes que implican mediciones. El desarrollo y la aplicacin de
tcnicas cuantitativas aumentaron a mediados de la dcada de 1940. Este impulso se debi
principalmente al mejoramiento en las mediciones, a la disponibilidad de las computadoras,
al inters incrementado en las matemticas aplicadas y al deseo de mtodos ms lgicos para los
problemas administrativos corrientes.
En su mayor parte cuando se emplean mtodos cuantitativos para la toma de decisiones, el nfasis est
en los medios, o en la mejor manera de alcanzar el objetivo estipulado.
El resultado final o meta por lo general es dado, por ejemplo como:
 Minimizar el costo para las actividades.

Maximizar el rendimiento total para la compaa.

Os presento una serie de modelos mediante los cuales la toma de

decisin se puede simplificar, no se busca profundizar en cada una
de las disciplinas, sino tener una visin global de las mismas
simplificando su explicacin con la posible adaptacin a la
practica de nuestras organizaciones. Estos modelos son: Maximin
o Wald, Maximax, Hurwicz, Laplace y Savage.

Siempre hay que contar con ese umbral

probabilstico de incertidumbre por lo que la decisin variara en
funcin de factores externos no controlables pero en la medida de
lo posible si evitables y disminuir su impacto lo mas
posible para/con la decisin tomada alcanzando el objetivo que se
haba propuesto.
Por ello todos los modelos a continuacin desarrollados nos
proponen optar ante la mejor opcin posible dentro del umbral de
incertidumbre con el que debemos contar.

Vamos a presentar un ejemplo comn para todos que iremos

desarrollando en cada uno de los modelos, nos encontramos ante
una situacin donde nuestra organizacin de cambio de estrategia,
existen dudas sobre como redirigirla y hacer foco en un nuevo
nicho de mercado.

Haremos una valoracin en funcin de las variables obtenidas.

Escenarios
1 2 3
7 8 1
A
10 2 5
B
5 4 9
Soluciones C
1. Modelo Maximin o de Wald
Lo que propone el modelo de Maximin o de Wald es fijarnos en las
valoraciones mas bajas dentro de todas las soluciones es decir, las
valoraciones mas bajas son 1 para la solucin A, 2 para la B y 4
para la C, entonces dentro de este rango nos quedamos con C,
pues es la mas alta dentro de las peores, la filosofa es la mejor de
las peores , esto supone una perdida de informacin porque no se
tienen en cuenta el resto de campos y la opcin elegida no podra
ser la mas optima. Estamos hablando de una forma Pesimista de
elegir segn Wald.
2. Modelo Maximax

Al contrario que el anterior, el modelo Maximax propone trabajar

con los datos que mayor puntuacin han obtenido, por ejemplo, en
nuestro cuadro las de mayor puntuacin son 8 para A, 10 para B y
de 9 para C, aplicando la lgica de este modelo tomaramos como
decisin final la B pues su puntuacin es superior al resto, la mejor
de las mejores, por lo que es la que mas beneficios dara. Nos
encontramos en la misma tesitura que antes, no contamos con
toda la informacin y podemos estar eligiendo, como antes, no la
mejor de las decisiones. Como hemos comentado esta ves la forma
de tomar la decisin sera Optimista
3. Modelo de Hurwicz

Este modelo toma una lgica intermedia entre las anteriores, y

para el peor valor da un valor de 1-, mientras que para el valor
mas alto otorga un valor de , donde es el valor de optimismo que
utilizamos, este valor oscila de 0 a 1, sin llegar a los extremos para
no coincidir con las teoras anteriores, un valor razonable es 1/2,
para nuestro caso trabajamos con =1/4. Por lo que el resultado
sera el siguiente:

A: 1*3/4 + 8*1/4= 2,75

B: 2*3/4 + 10*1/4= 4
C: 4*3/4 + 9*1/4= 5,25
La opcin a elegir en este caso es la C, pues tenemos la mxima
puntuacin, aun as con este modelo seguimos despreciando
informacin pudiendo llegar a resultados similares a los de
Maximin y Maximax.

4. Modelo de razn insufiencente o de Laplace

Laplace plantea la utilizacin de todos los valores que se han

obtenido anteriormente, no despreciamos nada por lo que
trabajamos con todos los campos. La lgica que aplica es asignar
a cada valor la misma probabilidad (1/n) de tal modo que todos
estn en igualdad de condiciones. N muestra los posibles estados
de la naturaleza, es decir, un ejemplo para nuestra organizacin:
aumento de ganancias, perdidas o estancamiento. En nuestro
ejemplo trabajamos con estos 3 campos.
Con estos criterios nuestra opcin seguira siendo la C pues a
priori parece la mas completa y equilibrada, este mtodo no
arriesga en la toma de decisiones.

A: 7*1/3 + 8*1/3 + 1*1/3= 5.3

B: 10*1/3 + 2*1/3 + 5*1/3= 5.6
C: 5*1/3 + 4*1/3+ 9*1/3= 6
5. Modelo de Savage
Para el razonamiento que aplica Savage nos encontramos ante una
dualidad, es decir, se busca la mxima ganancia a travs de la
perdida mnima. Entonces para cada una de las soluciones
tenemos diferentes resultados, lo que hacemos es tomar los
escenarios (columnas) como referente y dentro de estas tomamos
el mayor valor para restarlo por cada valor dentro de esa misma
columna para cada solucin.
Para nuestro ejemplo el valor mximo de la primera columna es 10,
por lo que le restamos 7,10 y 5 respectivamente, as hacemos en
las siguientes columnas. Por lo que la solucin C se presenta como
la mejor de todas.

Escenarios Suma

1 2 3
3 0 8 11
A
0 6 4 10
B
5 4 0
Soluciones C 9
No se ha profundizado mas en cada una de ellas porque tratamos
de simplificar cada uno de los modelos para facilitar su
compresin y darle una aplicacin sencilla a la practica. Existen
mltiples criterios para la toma de decisiones, en este articulo
hemos rescatado algunas de ellas que esperemos sean de utilidad.

En teora de juegos, minimax es un mtodo de decisin para minimizar la

prdida mxima esperada en juegos con adversario y con informacin perfecta. Minimax
es un algoritmo recursivo.
El funcionamiento de minimax puede resumirse como elegir el mejor movimiento para ti
mismo suponiendo que tu contrincante escoger el peor para ti.

Historia[editar]
Aunque existen evidencias de que Charles Babbage ya haba trabajado antes sobre una
idea similar,1 fue el matemtico francs mile Borel el primero en ofrecer en 1921 un
tratamiento riguroso a los juegos competitivos y en estudiar las estrategias aplicables a
los juegos de suma cero.2 3 Sin embargo suele atribuirse a John von Neumann el principal
mrito de la concepcin del principio minimax, ya que fue l quien, en su artculo de 1928
Zur Theorie der Gesellschaftsspiele (Sobre la teora de los juegos de sociedad)
publicado en la revista Mathematische Annalen,4 puso las bases de la moderna teora de
juegos y prob el teorema fundamental del minimax, por el que se demuestra que para
juegos de suma cero con informacin perfecta entre dos competidores existe una nica
solucin ptima.

Teorema minimax[editar]
John von Neumann es el creador del teorema minimax, quien dio la siguiente nocin de lo
que era un juego:
Un juego es una situacin conflictiva en la que uno debe tomar una decisin sabiendo que los
dems tambin toman decisiones, y que el resultado del conflicto se determina, de algn modo, a
partir de todas las decisiones realizadas.

Tambin afirm que:

Siempre existe una forma racional de actuar en juegos de dos participantes, si los intereses que los
gobiernan son completamente opuestos.

La demostracin a esa afirmacin se llama teora minimax y surge en 1928.

Este teorema establece que en los juegos bipersonales de suma cero, donde cada jugador
conoce de antemano la estrategia de su oponente y sus consecuencias, existe una
estrategia que permite a ambos jugadores minimizar la prdida mxima esperada. En
particular, cuando se examina cada posible estrategia, un jugador debe considerar todas
las respuestas posibles del jugador adversario y la prdida mxima que puede acarrear. El
jugador juega, entonces, con la estrategia que resulta en la minimizacin de su mxima
prdida. Tal estrategia es llamada ptima para ambos jugadores slo en caso de que sus
minimaxes sean iguales (en valor absoluto) y contrarios (en signo). Si el valor comn es
cero el juego se convierte en un sinsentido.
En los juegos de suma no nula, existe tanto la estrategia minimax como la maximin. La
primera intenta minimizar la ganancia el rival, o sea busca que el rival tenga el peor
resultado. La segunda intenta maximizar la ganancia propia, o sea busca que el jugador
obtenga el mejor resultado.

Algoritmo minimax con movimientos

alternativos[editar]

Pasos del algoritmo minimax:

 1. Generacin del rbol de juego. Se generarn todos los nodos hasta llegar a un
estado terminal.

2. Clculo de los valores de la funcin de utilidad para cada nodo terminal.

3. Calcular el valor de los nodos superiores a partir del valor de los inferiores. Segn
nivel si es MAX o MIN se elegirn los valores mnimos y mximos representando
los movimientos del jugador y del oponente, de ah el nombre de minimax.

4. Elegir la jugada valorando los valores que han llegado al nivel superior.
El algoritmo explorar los nodos del rbol asignndoles un valor numrico mediante
una funcin de evaluacin, empezando por los nodos terminales y subiendo hacia la raz.
La funcin de utilidad definir lo buena que es la posicin para un jugador cuando la
alcanza. En el caso del ajedrez los posibles valores son (+1,0,-1) que se corresponden con
ganar, empatar y perder respectivamente. En el caso del backgammon los posibles valores
tendrn un rango de [+192,-192], correspondindose con el valor de las fichas. Para cada
juego pueden ser diferentes.
Si minimax se enfrenta con el dilema del prisionero escoger siempre la opcin con la cual
maximiza su resultado suponiendo que el contrincante intenta minimizarlo y hacernos
perder.

Ejemplo[editar]
En el siguiente ejemplo puede verse el funcionamiento de minimax en un rbol generado
para un juego imaginario. Los posibles valores de la funcin de utilidad tienen un rango de
[1-9]. En los movimientos del contrincante suponemos que escoger los movimientos que
minimicen nuestra utilidad, en nuestros movimientos suponemos que escogeremos los
movimientos que maximizan nuestra utilidad.
El primer paso ser calcular los nodos terminales, en verde. Posteriormente calcularemos
el cuarto nivel, movimiento min, minimizando lo elegido (5, 2 y 1). Despus podremos
calcular el tercer nivel, movimiento max, maximizando la utilidad (5, 9). El segundo nivel es
un movimiento min (5, 3 y 1). Finalmente llegamos al primer nivel, el movimiento actual,
elegiremos el nodo que maximice nuestra utilidad (5).
Optimizacin[editar]
En la prctica el mtodo minimax es impracticable excepto en supuestos sencillos.
Realizar la bsqueda completa requeriran cantidades excesivas de tiempo y memoria.
Claude Shannon en su texto sobre ajedrez de 1950 (Programming a Computer for Playing
Chess) propuso limitar la profundidad de la bsqueda en el rbol de posibilidades y
determinar su valor mediante una funcin heurstica.
Para optimizar minimax puede limitarse la bsqueda por nivel de profundidad o por tiempo
de ejecucin. Otra posible tcnica es el uso de la poda alfa-beta. Esta optimizacin se
basa en evitar el clculo de ramas cuya evaluacin final no va a poder superar los valores
previamente obtenidos.

Minimax en la ficcin[editar]
La teora del minimax inspir a Phillip K. Dick a escribir la novela Lotera solar