- Diferenciar los tres tipos de contexto, para la toma de decisiones (
certidumbre, riesgo, incertidumbre) - Conocer los criterios para tomar la decisiones, empleando las tablas de decision en contexto de RIESGO -Saber calcular el valor de la informacion perfecta (VIP) a partir de la utilidad de media limite (UML) -Observar la equivalencia entre los arboles de decision y tablas de decision, cuando se usa el valor esperado VEM
Certidumbre : Un unico escenario ( certeza, sobre el resultado
de cada decision) ( cuando solo tenemos un estado de la naturaleza) Riesgo: Informacion sobre probabilidades ( Disponemos la probabilidad de los escenarios) Incertidumbre: Varios escenarios. Resultado de cada decision en cada estado (cuando tenemos varios estados de la naturaleza) Una empresa agricultora debe tomar una decision entre 2 alternativas para cada uno de sus resultados
Estamos ante la posibilidad del contexto de Riesgo
VEM (valor esperado monetario)
Criterio de perdidas de oportunidad medias (POM)
Perdidad de oportunidad
Nos quedamos con el minimo de las
frustaciones Existe una herramienta metereologica que pronostica al 100% el cambio climatologico en cada temporada
¿Cuanto estariamos dispuestos a pagar por la informacion adicional?
¿Cuanto pagariamos por dicha informacion?
Utilidad Media Limite (UML)
Valor de la informacion perfecta VIP
Suponiendo un estado de la naturaleza equiprobable 50% para cada suceso, incorporaremos otra variable mas " la oferta del mercado" si sube o baja. Si la oferta sube, el precio que cobrara el agricultor por su producto sera enor con relacion que el percibiria si el conjunto de la oferta baja Representacion Matricial
Llueve - oferta sube Llueve - Oferta baja
No llueve - oferta sube
No llueve - Oferta baja Valor de la Informacion Imperfecta
Una empresa estima con una probabilidad de 0.8, la demanda del
producto que fabrica crecera notablemente el año que viene Calcula que si realiza una inversion alta podria aprovechar sobre la subida de la demanda del producto y obtener un beneficio de 60, si no realiza la inversion su beneficio sera 30 Considerar otro suceso donde realiza la inversion y la demanda no sube, en donde obtendria de ganancia solo 15, y si no realiza la inversion y la demanda no crece gana 20
cr ece nd a a Invertir Dem
De ma nd a no c re c e
e ce cr nda m a De
No invertir
De ma nd a no c re ce Una consultora podra indicar si la demanda crece o no crece, mediante un estudio en la cual se presentara con los siguientes valores:
La consultora acierta en un 95% que la demanda crece
La consultora acierta en un 85% que la demanda no crece
Demanda crece
Demanda no crece
la consultora obtenga informacion que la demanda crece
la consultora obtiene informacion que la demanda no crece
probabilidad condicionada de A a B
( representa a la probabilidad que la demanda crece cuando la consultora
indica que la demanda va a crecer)
probabilidad condicionada de B a A
representa la probabilidad de que si la demanda crece, la
consultora acierte en la informacion otorgada que es del 95%
Probabilidad condicionada de B a NA Representa que la demanda no crece, lcuando la consultora predice que la demanda va a crecer
Probabilidad condicionada de A a NB Representa a la probabilidad que la demanda crezca cuando la consultora indica que no va a crecer
Probabilidad condicionada de NA a NB Representa a la probabilidad que la demanda no crece cuando la consultora indica que la demanda no va a crecer
Probabilidad condicionada de NB a A
Representa que la demanda crece cuando la consultora indica
que no va a crecer Probabilidad Condicional
Demanda Demanda no crece crece Consultora indica que la demanda crece
Consultora indica que la demanda no crece
Tabla de probabilidades conjuntas
Suma de probabilidad conjunta
Demanda crece dado que la consultora indica que la demanda crece = 0.96
Demanda no crece dado que la consultora
indica que la demanda crece = 0.04
Demanda crece dado que la consultora
indica que la demanca no crece = 0.19
Demanda no crece dado que la consultora
indica que la demanda no crece = 0.81 Teorema de Bayes
