TEORA DE DECISIONES
CON ANLISIS BAYESIANO
Docente: Yerko Snchez Oate
y.sanchezonate@uandresbello.edu
ysanchez@iesechile.com
Asignatura: Modelos Estocsticos ICI.
rbol de Decisiones
Se usan en situaciones de toma de decisiones
en las que se debe optimizar una series de
decisiones.
Un concepto fundamental en las situaciones
que involucran alternativas de decisin y
eventos secuenciales es que deben identificarse
todas esas alternativas y eventos y analizar de
antemano, si se quiere optimizar las decisiones.
Modelos Estocsticos / Prof. Yerko Snchez O.
Componentes y Estructura
1.
2.
3.
4.
Alternativas de Decisin (Cursos de accin).
Eventos (Estados de la naturaleza).
Probabilidades asociadas a cada evento.
Resultados de cada evento.
Estos datos se organizan mediante la estructura
de un diagrama de rbol que ilustra las
interacciones posibles entre las decisiones y los
eventos.
Modelos Estocsticos / Prof. Yerko Snchez O.
Componentes y Estructura
Adems este Instrumento grfico que permite visualizar
todos los resultados posibles de un problema, incluidos los
desfavorables.
La decisin elegida debe ser lgica y consecutiva.
Especialmente til cuando debe tomarse una sucesin de
decisiones.
Contienen:
- Nodos de decisin (o de accin).
- Nodos de sucesos (estados de la naturaleza).
- Nodos terminales.
Modelos Estocsticos / Prof. Yerko Snchez O.
Pasos para resolver un
rbol de Decisin
1. Desde el nodo decisin salen las ramas de todas las acciones
posibles del problema, de all salen los nodos sucesos, de los
cuales nacen ramas que representan los estados de la naturaleza.
2. Se asigna la probabilidad correspondiente a cada estado de la
naturaleza.
3. En la parte situada ms a la derecha se insertan los rendimientos
correspondientes a las combinaciones accin-estado de la
naturaleza.
4. Los clculos se realizan de derecha a izquierda, se calcula en cada
nodo suceso la suma de las probabilidades de las distintas ramas
multiplicadas por su rendimiento. De esta forma, se obtiene el
VME de cada accin.
5. La decisin ptima es la que tiene el VME mayor.
Modelos Estocsticos / Prof. Yerko Snchez O.
Arboles - Anlisis
Metodologa: Derecha a Izquierda pasando
por eventos y puntos de Decisin hasta
alcanzar la secuencia ptima.
Reglas:
En cada nodo se calcula el valor esperado.
En cada punto de decisin se selecciona la
alternativa con el valor esperado ptimo y se
desechan las dems decisiones.
Modelos Estocsticos / Prof. Yerko Snchez O.
Cmo Agregar Nueva Informacin?
Muchas veces la toma de decisiones con base en la
experiencia y en el juicio, no son suficientes para
poder llegar a conclusiones satisfactorias que lleven
a decisiones tiles para las empresas.
En estos casos es conveniente realizar algn tipo de
investigacin que me lleve a mejorar el
conocimiento del fenmeno y permita tomar
mejores decisiones.
Modelos Estocsticos / Prof. Yerko Snchez O.
Cmo Agregar Nueva Informacin?
En estos casos cualquier investigacin de mercados
que la empresa realice, busca mejorar la estimacin
de probabilidades de la ocurrencia de los eventos a
los cuales se enfrenta.
Estas probabilidades mejoradas, representan el
posible resultado de un evento dado la ocurrencia de
otro evento, osea, estamos hablando de
probabilidades condicionales.
El Teorema de Bayes es por excelencia la herramienta
ms til en la estadstica para estimar dichas
probabilidades
Modelos Estocsticos / Prof. Yerko Snchez O.
Teorema de Bayes
- Sirve para modificar las probabilidades a priori a
probabilidades a posteriori.
- Las probabilidades a priori o iniciales reflejan las
experiencias histricas logradas en casos pasados.
- La informacin que lleva a modificar las probabilidades de
los estados de la naturaleza se llama informacin muestral.
Modelos Estocsticos / Prof. Yerko Snchez O.
rboles -Bayes
OBJETIVO: Incorporar los resultados de un registro
histrico en la investigacin de mercados al proceso de
decisin, utilizando el Teorema de Bayes.
Arboles - VEIM
Valor Esperado de la Informacin de Muestra (VEIM):
Es un lmite superior en la cantidad que deberamos estar
dispuestos a pagar por esta informacin de muestra en
particular.
Modelos Estocsticos / Prof. Yerko Snchez O.
Arboles - VEIP
Valor Esperado de la Informacin Perfecta
(VEIP):Es un lmite superior para la cantidad que
usted debera estar dispuesto a pagar para
mejorar su conocimiento sobre el estado de la
naturaleza que ocurrir.
Modelos Estocsticos / Prof. Yerko Snchez O.
Informacin Muestral:
Anlisis de Valor Bayesiano
Consideraciones:
- Es posible obtener informacin muestral (informacin
adicional) la cual tiene un costo.
- El valor potencial de la informacin se halla en conocer
con mas precisin cules son las probabilidades de
ocurrencia de los eventos.
- Vale la pena obtener la informacin muestral cuando los
beneficios son mayores a los costos de obtenerla.
- Si la informacin muestral no influye en la eleccin de la
eleccin, tiene un valor 0.
Modelos Estocsticos / Prof. Yerko Snchez O.
Recordando el Ejemplo
Suponga que en el lanzamiento del nuevo producto existe
una probabilidad de un 10% que halla una demanda baja,
50% una demanda moderada y un 40% una probabilidad
alta.
Alternativa
Proceso de Produccin
P1
P2
P3
Estado de la naturaleza
Beneficios en condiciones de:
Demanda baja
Demanda Moderada Demanda alta
(P=0,1)
(P=0,50)
(P=0,40)
70.000
120.000
200.000
80.000
120.000
180.000
100.000
125.000
160.000
VME (Proceso P1)= 0,1*70.000+0,5*120.000+0,4*200.000= 147.000
VME (Proceso P2)= 0,1*80.000+0,5*120.000+0,4*180.000=140.000
VME (Proceso P3)= 0,1*100.000+0,5*125.000+0,4*160.000=136.500
El fabricante elegir el proceso P1.
Evaluacin de Proyectos / Prof. Yerko Snchez O.
Ejemplo:
Suponga que el fabricante del ejemplo anterior contrata a una
empresa de estudio de mercado para predecir el nivel de
demanda de su nuevo producto. Obviamente la empresa
cobrar por dicho estudio. Al final del estudio la empresa
afirmar si las perspectivas son malas, regulares o
buenas en funcin de la asesora. El anlisis historial de la
empresa de estudios de mercado revela la calidad de sus
predicciones anteriores en el rea.
Estado de la naturaleza
Proporcin en condiciones de mercado
Perspectiva (Valoracin)
S1 (baja)
S2 (moderada)
S3 (alta)
Malas
0,6
0,3
0,1
Regulares
0,2
0,4
0,2
Buenas
0,2
0,3
0,7
Modelos Estocsticos / Prof. Yerko Snchez O.
La tabla anterior se lee:
por ejemplo: el 10% de las veces en que la demanda fue alta,
la empresa dijo que las perspectivas eran malas. Por lo que
la notacin de la probabilidad condicional representando S1, S2
y S3 son:
P(malas|S1)= 0,6
P(malas|S2)= 0,3
P(malas|S3)= 0,1
Las probabilidades a priori eran:
P(S1)= 0,1
P(S2)=0,5
P(S3)= 0,4
Utilizando el teorema de Bayes se tiene:
Modelos Estocsticos / Prof. Yerko Snchez O.
P(S1|malas)= 0,24
P(S2|malas)= 0,6
P(S3|malas)= 0,16
Utilizando el mismo razonamiento encontramos las
probabilidades a posteriori para las perspectivas regulares y
buenas.
P(S1|regulares)= 1/15
P(S2|regulares)= 10/15
P(S3|regulares)= 4/15
P(S1|buenas)= 2/45
P(S2|buenas)= 15/45
P(S3|buenas)= 28/45
Modelos Estocsticos / Prof. Yerko Snchez O.
Cuando las perspectivas son malas:
Estado de la naturaleza
Alternativa
Proceso de Produccin
Beneficios en condiciones de:
Demanda baja
Demanda Moderada Demanda alta
(P=0,24)
(P=0,6)
(P=0,16)
P1
70.000
120.000
200.000
P2
80.000
120.000
180.000
P3
100.000
125.000
160.000
VME (Proceso P1)= 0,24*70.000+0,6*120.000+0,16*200.000= 120.800
VME (Proceso P2)= 0,24*80.000+0,6*120.000+0,16*180.000= 120.000
VME (Proceso P3)= 0,24*100.000+0,6*125.000+0,16*160.000= 124.600
El fabricante elegir el proceso P3 si la empresa experta determina
que las perspectivas son malas.
Modelos Estocsticos / Prof. Yerko Snchez O.
Cuando las perspectivas son regulares:
Estado de la naturaleza
Alternativa
Proceso de Produccin
Beneficios en condiciones de:
Demanda baja
Demanda Moderada Demanda alta
(P=1/15)
(P=10/15)
(P=4/15)
P1
70.000
120.000
200.000
P2
80.000
120.000
180.000
P3
100.000
125.000
160.000
VME (Proceso P1)= (1/15)*70.000+(10/15)*120.000+(4/15)*200.000= 138.000
VME (Proceso P2)= (1/15)*80.000+(10/15)*120.000+(4/15)*180.000= 133.333
VME (Proceso P3)= (1/15)*100.000+(10/15)*125.000+(4/15)*160.000= 132.667
El fabricante elegir el proceso P1, si la empresa experta determina que
las perspectivas son regulares.
Modelos Estocsticos / Prof. Yerko Snchez O.
Cuando las perspectivas son buenas:
Estado de la naturaleza
Alternativa
Proceso de Produccin
Beneficios en condiciones de:
Demanda baja
Demanda Moderada Demanda alta
(P=2/45)
(P=15/45)
(P=28/45)
P1
70.000
120.000
200.000
P2
80.000
120.000
180.000
P3
100.000
125.000
160.000
VME (Proceso P1)= (2/45)*70.000+(15/45)*120.000+(28/45)*200.000=167.556
VME (Proceso P2)= (2/45)*80.000+(15/45)*120.000+(28/45)*180.000=155.556
VME (Proceso P3)= (2/45)*100.000+(15/45)*125.000+(28/15)*160.000=145.667
El fabricante elegir el proceso P1, si la empresa experta determina que
las perspectivas son buenas.
Modelos Estocsticos / Prof. Yerko Snchez O.
Modelos Estocsticos / Prof. Yerko Snchez O.
Modelos Estocsticos / Prof. Yerko Snchez O.
Modelos Estocsticos / Prof. Yerko Snchez O.
Recordar que sin informacin
se elige el Proceso P1 (Criterio VME)
adicional
Suponga que en el lanzamiento del nuevo producto existe
una probabilidad de un 10% que halla una demanda baja,
50% una demanda moderada y un 40% una probabilidad
alta.
Alternativa
Proceso de Produccin
P1
P2
P3
Estado de la naturaleza
Beneficios en condiciones de:
Demanda baja
Demanda Moderada Demanda alta
(P=0,1)
(P=0,50)
(P=0,40)
70.000
120.000
200.000
80.000
120.000
180.000
100.000
125.000
160.000
VME (Proceso P1)= 0,1*70.000+0,5*120.000+0,4*200.000= 147.000
VME (Proceso P2)= 0,1*80.000+0,5*120.000+0,4*180.000=140.000
VME (Proceso P3)= 0,1*100.000+0,5*125.000+0,4*160.000=136.500
Modelos Estocsticos / Prof. Yerko Snchez O.
Por lo tanto, el valor de la informacin muestral VEIM para
que el tiene que tomar la decisin es:
VEIM=P(malas)*3.800 + P(regulares)*0 +P(buenas)*0=
VEIM=0,25(3.800) + 0,30(0) + 0,45(0)= 950 $
Suponiendo que la empresa experta en estudios de
mercado cobra 750 $ por su valoracin. El valor esperado
neto de la informacin muestral es la diferencia entre su
valor esperado y el costo de la informacin.
950 750 = 200 $
Modelos Estocsticos / Prof. Yerko Snchez O.
Modelos Estocsticos / Prof. Yerko Snchez O.
Conclusin: Dado que el VME con muestra es
mayor al VME sin muestra, es conveniente
contratar a la empresa experta para que realice
el estudio.
La decisin ptima tiene un valor monetario
esperado de $147.200.
Modelos Estocsticos / Prof. Yerko Snchez O.
