República Bolivariana de Venezuela

Ministerio del Poder Popular para la Educación Universitaria, Ciencia y Tecnología

Instituto Universitario de Tecnología “Tomas Lander
Carrera: Informática IV
Unidad curricular: Investigación de Operaciones

Modelos bayesianos

Prof: Alumno:
Yaritza Villalta Nestor Fernadez
C.I:
Duiwer Soto
C.I:27282578

Ocumare del Tuy, noviembre 2019

Modelo bayesiano

Desde el punto de vista de la estadística bayesiana se considera que hay dos

tipos de valores: conocidos y desconocidos. El objetivo es usar las cantidades o
datos conocidos mediante un modelo paramétrico dado para realizar inferencias
sobre las cantidades desconocidas. Por cantidades desconocidas se puede
entender tanto parámetros del modelo, como observaciones missing o
predicciones. En un modelo básico se tiene un parámetro de interés θ y unos
datos observados D y se considera una distribución de probabilidad conjunta para
ambos que recoge como se relacionan: p(θ, D).

Comentarios y críticas respecto a los métodos bayesianos

– Critica: θ no está claro que tenga que ser siempre una variable. Argumento: en
la práctica, la distribución f(θ) muestra los conocimientos acerca de θ. El
conocimiento cambia y evoluciona con la recogida de los datos.
– Critica: Falta de objetividad. ¿Cómo se puede elegir la distribución a priori
cuando no se tiene información?
Argumento: se pueden establecer métodos objetivos para calcular la distribución a
priori. A menudo, un análisis clásico equivale a un análisis bayesiano con una
distribución a priori no informativa.
– Los aspectos subjetivos son explícitos en un análisis bayesiano, mientras que en
los métodos clásicos existen, aunque no se muestran claramente.
– Es imprescindible hacer un análisis de sensibilidad. Si los resultados cambian
cuando se cambia la distribución inicial, entonces la verosimilitud no da mucha
información y la elección de la distribución inicial es fundamental.

El teorema de Bayes es válido en todas las aplicaciones de la teoría de la

probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades
que emplea. En ciertas condiciones, los partidarios de la estadística tradicional
sólo admiten probabilidades basadas en experimentos repetibles y que tengan una
confirmación empírica mientras que los llamados estadísticos bayesianos permiten
probabilidades subjetivas.
El teorema puede ser adecuado para indicar cómo debemos modificar
nuestras probabilidades subjetivas cuando se recibe información adicional de un
experimento. La utilidad de la estadística bayesiana está expuesta en ciertas
estimaciones basadas en el conocimiento subjetivo a priori y admitir revisar esas
estimaciones en función de la demostración.

Aplicaciones

Adicionalmente se expone la importancia que tienen los modelos bayesianos y

su relación con los procesos de toma de decisiones, el cual es fundamental para el
desarrollo de aplicaciones empresariales en proporción de los costos reales y las
oportunidades en que las decisiones a menudo deben hacerse en condiciones de
incertidumbre.
La Inferencia bayesiana es una técnica estadística adecuada para reunir las
opiniones de expertos en el análisis de datos. Actualmente existe una amplia
literatura que envuelve toda la teoría de la inferencia bayesiana y sus aplicaciones
para el marco financiero y de negocios.
Una de las principales aplicaciones de los Modelos Bayesianos es la derivación
de las diferentes alternativas con el propósito de alterar las probabilidades
asociándolas con una situación de decisión, en la que los datos en los que se
basa en sí, es en los juicios de los individuos.
Modelo Maximin o de Wald
Lo que propone el modelo de Maximin o de Wald es fijarnos en las
valoraciones más bajas dentro de todas las soluciones, es decir, las valoraciones
más bajas son 1 para la solución A, 2 para la B y 4 para la C, entonces dentro de
este rango nos quedamos con C, pues es la más alta dentro de las peores, la
filosofía es la mejor de las peores, esto supone una pérdida de información porque
no se tienen en cuenta el resto de campos y la opción elegida no podría ser la más
óptima. Estamos hablando de una forma Pesimista de elegir según Wald.
Modelo Maximax
Al contrario que el anterior, el modelo Maximax propone trabajar con los datos
que mayor puntuación han obtenido, por ejemplo, en nuestro cuadro las de mayor
puntuación son 8 para A, 10 para B y de 9 para C, aplicando la lógica de este
modelo tomaríamos como decisión final la B pues su puntuación es superior al
resto, la mejor de las mejores, por lo que es la que más beneficios daría. Nos
encontramos en la misma tesitura que antes, no contamos con toda la información
y podemos estar eligiendo, como antes, no la mejor de las decisiones. Como
hemos comentado esta vez la forma de tomar la decisión sería Optimista.
Modelo de Hurwicz
Este modelo toma una lógica intermedia entre las anteriores, y para el peor
valor da un valor de 1-α, mientras que para el valor más alto otorga un valor de α,
donde α es el valor de optimismo que utilizamos, este valor oscila de 0 a 1, sin
llegar a los extremos para no coincidir con las teorías anteriores, un valor
razonable es 1/2, para nuestro caso trabajamos con α=1/4. Por lo que el resultado
sería 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 opción a elegir en este caso es la C, pues tenemos la máxima puntuación,
aun así, con este modelo seguimos despreciando información pudiendo llegar a
resultados similares a los de Maximin y Maximax.