BAYES APLICADO A LA TOMA DE

DECISIONES

Análisis de compra de información

adicional
Hebe Alicia Cadaval
 PARA QUE SE USA

Para ver si conviene comprar información en casos

de riesgo o incertidumbre.
Para mejorar el conocimiento de una variable no
controlable.

Hebe Alicia Cadaval 2

 CÓMO OPERA

Ud desconoce las probabilidades de ocurrencia de

una variable no controlable o tiene sus
probabilidades subjetivas y tiene dudas de si son
correctas.
Evalúa la posibilidad de contratar un experto que lo
asesore.
Por supuesto, este consultor no trabaja gratis.
Por lo tanto, aplicamos Bayes para ver si vale la
pena contratarlo o no.
Hebe Alicia Cadaval 3
 EJEMPLOS

Contratar un test para saber si hay posibilidad de

encontrar petróleo.
Hacer un análisis químico para saber si una
persona tiene una determinada enfermedad.
Encargar un estudio de mercado para evaluar la
demanda de un producto.

Hebe Alicia Cadaval 4

 CÓMO OPERA

Lo que el experto me puede informar es otra

variable no controlable (Z) que aporta la
información.
Z es una variable no controlable ya que no sé cuál
va a ser el mensaje que me va a dar.
Hay que imaginar todos los mensajes posibles.
Primero pago y luego me da el mensaje.

Hebe Alicia Cadaval 5

 CÓMO OPERA

Decisión con N1/Z1

un mensaje S1
N2/Z1
Obtención Z1
del mensaje N1/Z1
S2 N2/Z1
Comprar Decisión con
información otro mensaje N1/Z2
S1 N2/Z2
Z2 N1/Z2
S2 N2/Z2
Decisión sin N1
No comprar información S1
N2
información
N1
S2
N2
Hebe Alicia Cadaval 6
 CORRELACIÓN DE VARIABLES

Los mensajes serán de ayuda si las dos variables

(N y Z) están correlacionadas, si la variable
mensaje explica “algo” de la variable estado.
Si la explica totalmente habrá “información
perfecta”.

Hebe Alicia Cadaval 7

 MATRIZ DE VEROSIMILITUD

La matriz de verosimilitud P(Zi/Nj) indica la

probabilidad de que habiendo acontecido un estado
(Nj) se haya dado uno de todos los mensajes
posibles (Zi).
Muestra el desempeño del experto, ya que
habiendo acontecido un estado determinado vemos
si el experto lo había predicho o no.

Hebe Alicia Cadaval 8

 TIPOS DE MATRICES

Por relación entre cantidad de mensajes y de

estados:
Refinada: la cantidad de mensajes es mayor que la
cantidad de estados.
Equilibrada: la cantidad de mensajes es igual que la
cantidad de estados.
Grosera o burda: la cantidad de mensajes es menor
que la cantidad de estados.
Hebe Alicia Cadaval 9
 TIPOS DE MATRICES

Por la sumatoria de las P(Zi/Nj) para cada Nj:

Congruente: cuando las P(Zi/Nj) suman 1.
Incongruente: cuando las P(Zi/Nj) no suman 1.
Por el tipo de información que acarrean:
Perfecta: hay total correlación entre mensajes y
estados, acarrean certeza a posteriori.
Imperfecta: hay alguna correlación entre mensajes y
estados.

Hebe Alicia Cadaval 10

 TIPOS DE MATRICES

Por la utilidad de su información:

Útiles: tienen valor, son congruentes, las
probabilidades a posteriori no son iguales que las a
priori, reducen la incertidumbre en promedio.
Inútiles: su valor es 0, no vale la pena pagar por ellas,
las probabilidades a posteriori son iguales a las a
priori, no reducen la incertidumbre. Las variables N y
Z son independientes.

Hebe Alicia Cadaval 11

 INFORMACIÓN PERFECTA

 Supongamos ahora que en el árbol de la filmina 6, si se

recibe el mensaje Z1 no existe posibilidad de que se dé el
estado N2, y que si se recibe el mensaje Z2 no existe
posibilidad de que acontezca el estado N1. Esto está
representado por la siguiente matriz de verosimilitud:
N1 N2
Z1 1 0
Z2 0 1

El árbol quedaría modificado de la siguiente forma:

Hebe Alicia Cadaval 12
 INFORMACIÓN PERFECTA

Decisión con N1/Z1

un mensaje S1
Obtención Z1
del mensaje N1/Z1
S2
Comprar Decisión con
información otro mensaje N2/Z2
S1
Z2 N2/Z2
S2
Decisión sin N1
No comprar información S1
N2
información
N1
S2
N2
Hebe Alicia Cadaval 13
 INFORMACIÓN PERFECTA

Reduce la incertidumbre a “0”.

Cada mensaje se relaciona exclusivamente con un
determinado estado.
Para que exista, tendrá que haber, por lo menos,
tantos mensajes como estados.
Son más importantes los 0 que los 1 para
reconocer una matriz de información perfecta.

Hebe Alicia Cadaval 14

 INCERTIDUMBRE

Siempre que haya algún tipo de correlación,

aunque sea mínima, entre N y Z, habrá reducción
de la incertidumbre en promedio, ya que con un
mensaje puede aumentar, pero con otro se reduce
más.
Si partimos de incertidumbre máxima, con cualquier
mensaje habrá reducción de la incertidumbre.

Hebe Alicia Cadaval 15

 VALOR DE LA INFORMACIÓN

Es el importe máximo que estaré dispuesto a pagar

por la compra de información.
La información tendrá valor (y estaré dispuesto a
pagar por ella) en la medida en que sirva para
elegir mejor.

Hebe Alicia Cadaval 16

 VALOR DE LA INFORMACIÓN

Si ninguno de los mensajes me lleva a cambiar la

alternativa elegida a priori, entonces la información
no tendrá valor, y por lo tanto no estaré dispuesto a
pagar por ella.
Puede haber reducción de incertidumbre, pero que
no alcance para cambiar la elección, y por lo tanto
no valdrá la pena pagar.

Hebe Alicia Cadaval 17

 VALOR DE LA INFORMACIÓN

La información perfecta tendrá valor (excepto en

casos de dominancia de una alternativa sobre
todas las demás) y éste será el máximo posible.
En el caso excepcional que una alternativa domine
a todas las demás, carece de sentido analizar la
compra de información adicional.

Hebe Alicia Cadaval 18

 COMPRA DE INFORMACIÓN

Se está dispuesto a comprar información cuando el

valor de la información resulta mayor que el costo
de la misma.
El costo de la información estará dado por lo que
me cobren por el estudio a realizar o por la cantidad
de recursos que deba invertir para conseguir esa
información.

Hebe Alicia Cadaval 19

 VARIABLES INDEPENDIENTES

Si las variables “estado (N)” y “mensaje (Z)” son

independientes, es decir, no tienen ninguna
correlación:
- No habrá reducción de incertidumbre y
- La información no tendrá valor.

Hebe Alicia Cadaval 20

 CERTEZA INICIAL

Es un caso especial de variables independientes.

Si uno parte de la creencia de que algo es cierto,
no hay mensaje posible que cambie su visión.
Ejemplo: Por más que Galileo Galilei pudiera
demostrar con su telescopio que la Tierra giraba
alrededor del Sol, la jerarquía eclesiástica de la
época no estaba dispuesta a creer en esto.

Hebe Alicia Cadaval 21

 CERTEZA INICIAL

Decisión con
un mensaje S1
Obtención Z1
del mensaje
S2
Comprar Decisión con
información otro mensaje
S1
Z2
S2
Decisión sin
No comprar información S1
información
S2
Hebe Alicia Cadaval 22
 MENSAJE ÚNICO

Es otro caso especial de variables independientes.

Si sólo se puede recibir un mensaje tampoco se
puede agregar información.
Ejemplo: Caso del médico que ante cualquier
síntoma le dice: “Ud. está enfermo”. Ud. ya sabía
que estaba enfermo, por eso llamó al médico y su
mensaje no le agrega información.

Hebe Alicia Cadaval 23

 MENSAJE ÚNICO

Decisión con N1/Z1

Obtención un mensaje S1
del mensaje N2/Z1
Comprar Z1 N1/Z1
información S2 N2/Z1

Decisión sin N1
No comprar información S1
N2
información
N1
S2
N2
Hebe Alicia Cadaval 24