Investigacin Operativa II

Contenido
MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI .......................................... 129

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

128

Investigacin Operativa II

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

USO DE NUEVA INFORMACIN PARA ACTUALIZAR PROBABILIDAD.
Las probabilidades a priori de los estados de la naturaleza, con frecuencia son de naturaleza subjetiva, de modo que pueden ser slo estimaciones burdas de las verdaderas probabilidades. Por fortuna muchas veces es posible hacer pruebas o sondeos adicionales (a cierto costo ) para mejorar estas estimaciones. Estas estimaciones mejoradas se llaman probabilidades a posteriori. PROBABILIDAD A POSTERIORI Son probabilidades que se consigue mediante investigaciones, realizando estudios adicionales de los que ya se tiene para ver la factibilidad de las estimaciones. ANALISIS BAYESIANO Se combina los datos previos (probabilidades a priori) con datos muestrales o de prueba, utilizando la frmula desarrollada por BAYES. Con frecuencia lo TD tienen estimaciones preliminares o previas de las probabilidades de los estados de la naturaleza p( Sj). Sin embargo a fin de adoptar la mejor decisin ; es posible que el TD pretenda obtener informacin adicional sobre los estados de la naturaleza con el propsito de actualizar las probabilidades previas. A la nueva informacin se le llama INFORMACION MUESTRAL. A la informacin nueva combinada con la probabilidad previa mediante el procedimiento BAYESIANO se le llama probabilidad posteriori o modificada.
MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI 129

Investigacin Operativa II

A la nueva informacin se le llama indicador (Ik) o informacin muestral. Para el proceso bayesiano se utiliza: P ( Ik / Sj) probabilidad condicional que indica que ocurre Ik dado que ocurri Sj que por lo general se conoce por datos histricos.

p( I K / S j ) p( S j )
Segn la ley de BAYES p(Sj / IK) =

p( I K )

Donde:

p( IK ) =

j 1

p(IK/ Sj) p ( Sj ).

El anlisis Bayesiano se puede realizar en un rbol de decisin. Un rbol de decisin proporciona una grfica de la progresin de las decisiones Y los eventos aleatorios.

P (Sj / IK) di p( IK)

VALOR ESPERADO DE LA INFORMACION MUESTRAL ( VEIM)

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

130

Investigacin Operativa II

Mediante la realizacin de una investigacin de mercado, a menudo es posible obtener un mejor conocimiento acerca de resultados futuros. Si cambian las probabilidades, podra ser ms apropiado inclinarse por una decisin diferente, la probabilidad de los resultados futuros pueden ser, para un fracaso, para un xito y para un gran xito. La importancia de una estimacin precisa de las probabilidades de los resultados es bastante clara. El objetivo de la investigacin de mercado es el de ayudar a realizar estimaciones de probabilidad ms precisas. CRACTERISTICAS CLAVE El uso de la investigacin de mercado para modificar las probabilidades implica los siguientes pasos: Diseo y ejecucin de la investigacin de mercado. Revisin de las probabilidades de los diferentes resultados basados en el resultado de la investigacin de mercado. Identificacin de la decisin ptima basada en las probabilidades revisadas.

VE

deIM

= [Valor ptimo esperado con la informacin muestral ] [Valor ptimo esperado sin informacin muestral ]

El valor ptimo esperado con informacin muestral se obtiene previo anlisis en el rbol de decisin.

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

131

Investigacin Operativa II

EFICIENCIA DE LA INFORMACION MUESTRAL E = VE deIM / VE deIP Para valores de E bajos es recomendable buscar otros tipos de informacin. Para E altos la informacin muestral es casi tan buena como la informacin perfecta.

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

132

Investigacin Operativa II

Trabajo semanal:
La empresa constructora ctx est realizando una encuesta que le ayudar a evaluar la demanda de su nuevo complejo de condominio. El cuadro de resultados (utilidades) de la ctx es como sigue: Estados de la naturaleza Baja S1 Pequea Alternativas de decisin Mediano Grande P(Sj) d2 d3 100 -300 .20 600 300 .35 600 900 .45 d1 400 Media S2 400 Alta S3 400

La encuesta dar como resultado tres indicadores de la demanda: dbil (I1), promedio (I2), y fuerte ( I3) en donde las probabilidades condicionales son las siguientes: P(Ik/Sj) I1 S1 S2 S3 .6 .4 .1 I2 .3 .4 .4 I3 .1 .2 .5

a. Cul es la estrategia ptima de la empresa. b. Cul es el valor de la informacin muestral. c. Cul es la eficiencia de la informacin de la encuesta.

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

133

Investigacin Operativa II

SOLUCIN:

a. Cul es la estrategia ptima de la empresa?

1.

- MEJOR VALOR ESPERADO:

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

134

Investigacin Operativa II

VALOR ESPERADO

VE(di) = P(Sj) . V(di;Sj)

j 1

Hallamos el mejor valor esperado las alternativas :

Para d1 : VE(d1) = P(S1) . V(d1;S1) + P(S2) . V(d1;S2) + P(S3) . V(d1;S3) VE(d1) = (0.20) (400) + (0.35) (400) + (0.45) (400) VE(d1) = 400 Para d2 :

VE(d2) = P(S1) . V(d2;S1) + P(S2) . V(d2;S2) + P(S3) . V(d2;S3) VE(d2) = (0.20) (100) + (0.35) (600) + (0.45) (600) VE(d2) = 500

Para d3 :

VE(d3) = P(S1) . V(d3;S1) + P(S2) . V(d3;S2) + P(S3) . V(d3;S3) VE(d3) = (0.20) (-300) + (0.35) (300) + (0.45) (900) VE(d3) = 450

El mejor valor esperado es VE (d2) = 500; ya que necesitamos obtener la mayor utilidad cuando se demande el complejo de condominio.
2. VALOR DE LA INFORMACIN PERFECTA

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

135

Investigacin Operativa II

VALOR ESPERADO CON I NFORMACI N PERFECTA

VE con I P

P(Sj) . ( mejor valor en Sj)

j 1

Hallamos VE con I P : VE con I P = (0.20) (400) + (0.35) (600) + (0.45) (900) VE con I P = 695

VALOR ESPERADO DE LA I NFORMACI N PERFECTA

VE deI P = [VE con I P - VE (di)* ]

Hallamos VE con I P : VE deI P = 695 500 VE deI P = 195 El valor esperado de la Informacin Perfecta; es decir la utilidad esperada que se podra obtener con esta informacin es 195.

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

136

Investigacin Operativa II

3. ANALISIS BAYESIANO:
TEOREMA DE BAYES
S1 P(S1) = 0.20 P(S1/I1) = 0.39 d1 S2 P(S2) = 0.35 P(S2/I1) = 0.46 S3 S1 P(S3) = 0.45 P(S1) = 0.20 P(S1/I1) = 0.39 P(I1) = 0.305 d2 S2 P(S2) = 0.35 P(S2/I1) = 0.46 S3 S1 P(S3/I1) = 0.15 P(S3) = 0.45 P(S1) = 0.20 P(S1/I1) = 0.39 d3 S2 P(S2) = 0.35 P(S2/I1) = 0.46 S3 S1 P(S3/I1) = 0.15 P(S3) = 0.45 P(S1) = 0.20 P(S1/I2) = 0.16 d1 S2 P(S2) = 0.35 P(S2/I2) = 0.37 P(S3) = 0.45 P(S1) = 0.20 P(S1/I2) = 0.16 P(I2) = 0.38 d2 S2 P(S2) = 0.35 P(S2/I2) = 0.37 S3 S1 P(S3) = 0.45 P(S1) = 0.20 P(S1/I2) = 0.16 d3 S2 P(S2) = 0.35 P(S2/I2) = 0.37 S3 S1 P(S3) = 0.45 P(S1) = 0.20 P(S1/I3) = 0.06 d1 S2 P(S2) = 0.35 P(S2/I3) = 0.22 P(S3) = 0.45 P(S1) = 0.20 P(S1/I3) = 0.06 P(I3) = 0.315 d2 S2 P(S2) = 0.35 P(S2/I3) = 0.22 S3 S1 P(S3) = 0.45 P(S1) = 0.20 P(S1/I3) = 0.06 d3 S2 P(S2) = 0.35 P(S2/I3) = 0.22 S3 P(S3) = 0.45 P(S3/I3) = 0.72 900 P(S3/I3) = 0.72 600 - 300 P(S3/I3) = 0.72 400 100 P(S3/I2) = 0.47 900 400 P(S3/I2) = 0.47 600 - 300 P(S3/I2) = 0.47 400 100 V(d2/I2) = 520 900 400 600 - 300 P(S3/I1) = 0.15 400 100 400

400

V(d1/I1) = 400

600

V(d2/I1) = 405

300

V(d3/I1) = 156

400

V(d1/I2) = 400

S3 S1

600

300

V(d3/I2) = 486

400

V(d1/I3) = 400

S3 S1

600

V(d2/I3) = 570

300

V(d3/I3) = 696

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

137

Investigacin Operativa II

SEG N L A L EY D E BAYES :

P (Sj/I k ) =

P (I k /Sj) . P (Sj) P (I k )

D ON D E: P (I k ) =

P (I k /Sj) . P (Sj)
j 1

Pr i mer o H a l l a mos el P (I k ) : P (I 1) = P (I 1/S1) . P (S1) + P (I 1/S2) . P (S2) + P (I 1/S3) . P (S3) P (I 1) = (0.6) (0.20) + (0.4) (0.35) + (0.1) (0.45) = 0.305 P (I 2) = P (I 2/S1) . P (S1) + P (I 2/S2) . P (S2) + P (I 2/S3) . P (S3) P (I 2) = (0.3) (0.20) + (0.4) (0.35) + (0.4) (0.45) = 0.38 P (I 3) = P (I 3/S1) . P (S1) + P (I 3/S2) . P (S2) + P (I 3/S3) . P (S3) P (I 3) = (0.1) (0.20) + (0.2) (0.35) + (0.5) (0.45) = 0.315

L uego ha l l a mos P(Sj /I k ) : P (S1/I 1) = P (S2/I 1) = P (S3/I 1) = P (S1/I 2) = P (S2/I 2) = P (S3/I 2) = P (S1/I 3) = P (S2/I 3) = P (S3/I 3) = (0.6)(0.20) P (I 1/S1) . P (S1) = = 0.39 0.305 P (I 1) (0.4)(0.35) P (I 1/S2) . P (S2) = = 0.46 0.305 P (I 1) (0.1)(0.45) P (I 1/S3) . P (S3) = = 0.15 0.305 P (I 1) (0.3)(0.20) P (I 2/S1) . P (S1) = = 0.16 0.38 P (I 2) (0.4)(0.35) P (I 2/S2) . P (S2) = = 0.37 0.38 P (I 2) (0.4)(0.45) P (I 2/S3) . P (S3) = = 0.47 0.305 P (I 2) = (0.1)(0.20) = 0.06 0.315

P (I 3/S1) . P (S1) P (I 3)

(0.2)(0.35) P (I 3/S2) . P (S2) = = 0.22 0.315 P (I 3) (0.5)(0.45) P (I 3/S3) . P (S3) = = 0.315 P (I 3) 0.72

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

138

Investigacin Operativa II

b. Cul es el valor de la informacin muestral?

1. VALOR ESPERADO DE LA INFORMACIN MUESTRAL

VALOR ESPERADO DE LA INFORMACIN

VE(di/Ik) =

P(Sj/Ik) . V(di;Sj)
j 1

Hallamos el Valor Esperado I1 :

VE(d1/I1) = P(S1/I1) . V(d1;S1) + P(S2/I1) . V(d1;S2) + P(S3/I1) . V(d1;S3) VE(d1/I1) = (0.39) (400) + (0.46) (400) + (0.15) (400) VE(d1/I1) = 400 VE(d2/I1) = P(S1/I1) . V(d2;S1) + P(S2/I1) . V(d2;S2) + P(S3/I1) . V(d2;S3) VE(d2/I1) = (0.39) (100) + (0.46) (600) + (0.15) (600) VE(d2/I1) = 405 VE(d3/I1) = P(S1/I1) . V(d3;S1) + P(S2/I1) . V(d3;S2) + P(S3/I1) . V(d3;S3) VE(d3/I1) = (0.39) (-300) + (0.46) (300) + (0.15) (900) VE(d3/I1) = 156

Hallamos el Valor Esperado I2 :

VE(d1/I2) = P(S1/I2) . V(d1;S1) + P(S2/I2) . V(d1;S2) + P(S3/I2) . V(d1;S3) VE(d1/I2) = (0.16) (400) + (0.37) (400) + (0.47) (400) VE(d1/I2) = 400 VE(d2/I2) = P(S1/I2) . V(d2;S1) + P(S2/I2) . V(d2;S2) + P(S3/I2) . V(d2;S3) VE(d2/I2) = (0.16) (100) + (0.37) (600) + (0.47) (600) VE(d2/I2) = 520 VE(d3/I3) = P(S1/I2) . V(d3;S1) + P(S2/I2) . V(d3;S2) + P(S3/I2) . V(d3;S3) VE(d3/I3) = (0.16) (-300) + (0.37) (300) + (0.47) (900) VE(d3/I3) = 486

Hallamos DECISIONES CON : MODELO DE el Valor Esperado I3PROBABILIDAD A POSTERIORI

VE(d1/I3) = P(S1/I3) . V(d1;S1) + P(S2/I3) . V(d1;S2) + P(S3/I3) . V(d1;S3) VE(d1/I3) = (0.06) (400) + (0.22) (400)+ (0.72) (400)

139

VE(d2/I2) = 520
Investigacin P(S2/I2) . V(d3;S2) VE(d3/I3) = P(S1/I2) . V(d3;S1) +Operativa II + P(S3/I2) . V(d3;S3) + P(S3/I2) . V(d3;S3) VE(d3/I3) = (0.16) (-300) + (0.37) (300) + (0.47) (900) VE(d3/I3) = 486

Hallamos el Valor Esperado I3 :

VE(d1/I3) = P(S1/I3) . V(d1;S1) + P(S2/I3) . V(d1;S2) + P(S3/I3) . V(d1;S3) VE(d1/I3) = (0.06) (400) + (0.22) (400)+ (0.72) (400) VE(d1/I3) = 400 VE(d2/I3) = P(S1/I3) . V(d2;S1) + P(S2/I3) . V(d2;S2) + P(S3/I3) . V(d2;S3) VE(d2/I3) = (0.06) (100) + (0.22) (600)+ (0.72) (600) VE(d2/I3) = 570 VE(d3/I3) = P(S1/I1) . V(d3;S1) + P(S2/I1) . V(d3;S2) + P(S3/I3) . V(d3;S3) VE(d3/I3) = (0.06) (-300) + (0.22) (300) + (0.72) (900) VE(d3/I3) = 696

Elegimos el mejor valor esperado de la informacin I1, I2 e I3; para este problema se tomaran los mayores valores ya que nos referimos a utilidad :
Para I1 : VE(d2/I1) = 405

Para I2 : VE(d2/I2) = 520 Para I3 : VE(d3/I3) = 696

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

140

Investigacin Operativa II

VALOR ESPERADO CON I N FORMACI N MUESTRAL

VE con I M =

P (I k) . VE (di/I k)
j 1

Hallamos el VE con I M : VE con I M = P (I 1) . VE (d2/I 1) + P (I 2) . VE (d2/I 2) + P (I 3) . VE (d1/I 3) VE con I M = (0.305)(405) + (0.38)(520) + (0.315)(696) VE con I M = 540.365

VALOR ESPERADO DE I N FORMACI N MUESTRAL

VE deI M = [VE con I M VE*]

Hallamos el VE deI M : VE deI M = 540.365 - 500 VE deI M = 40.365 El valor esperado de la I nformacin Muestral; es decir la utilidad esperada que se podra obtener con esta informacin.

5. EFI CI EN CI A DE LA I N FORMACI N MUESTRAL

E = [VE deI M / VE deI P]

Donde: VE deI M = 40.365 VE deI P = 195

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI 141

Hallamos el E : E = 40.365

VEdeIM = 540.365 - 500 VEdeIM = 40.365

Investigacin Operativa II

El valor esperado de la Informacin Muestral; es decir la utilidad esperada que se Culobtenereficiencia de la informacin de la encuesta? podra es la con esta informacin. c.

EFICIENCIA DE LA INFORMACIN MUESTRAL

E = [VEdeIM / VEdeIP]

Donde:
VEdeIM = 40.365 VEdeIP = 195

Hallamos el E :
E = 40.365 195 E = 0.207 E = 20.7 %

No es recomendable realizarse un estudio adicional, debido a una probabilidad muy baja de 20.7 %.

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

142

Investigacin Operativa II

PROBLEMA PROPUESTO (Caso Real):

La seora Julissa Imn Nicols, actualmente domiciliada en Calle: Jos Abelardo Quiones, Manzana E, Lote 13, Puerto Supe - Barranca, necesita tomar una decisin con respecto a la compra de tiles escolares de sus hijos en base a una lista de tiles requeridos para el 2do y 6to Grado de Primaria, que fueron solicitados por el Colegio Matemtico PRE Universitario Cientfico Las Palmas Nueva Esperanza. La Sra. Imn tiene 2 propuestas para realizar la compra de sus tiles escolares, puede comprar en la librera UNIVERSO o la librera TULIPAN, cada una de las libreras ofrecen un monto total sin descuento y con probabilidades de descuento. En el siguiente Cuadro de Resultados se resumen los gastos (Nuevos Soles), en que incurrir la Sra. Imn al tomar una determinada decisin. MATRIZ DE RESULTADOS Estado Naturaleza Alternativas Librera UNIVERSO Librera TULIPAN P( S j ) Obtiene Descuento S1 308 310 0.6 No Obtiene Descuento S2 345 334 0.4

Las proformas hechas por las libreras dan como resultado una evaluacin favorable (I1), promedio (I2) y desfavorable (I3) en donde las probabilidades condicionales son:

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

143

Investigacin Operativa II

INFORMACIN DE INVESTIGACIN Informacin Estado Naturaleza S1 S2 Favorable I1 0.6 0.1 Promedio I2 0.2 0.4 Desfavorable I3 0.2 0.5

Se pide determina:
Cual es la Estrategia optima que debe tomar la Sra. para realizar una compra. Hallar el Valor de la Informacin Perfecta Elaborar el Anlisis Bayesiano Cual es el Valor de la Informacin Muestral. Cual es la eficiencia de la informacin.

MODELO DE DECISIONES CON PROBABILIDAD A POSTERIORI

144