Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas EP3
Notas EP3
NIETO BARAJAS
6. Teoría de decisión
¾ DIAGRAMA de la Estadística:
Toma de decisiones
Población
Inferencia Muestreo
Análisis de datos
Muestra
¾ Tipos de INFERENCIA:
Clásica Bayesiana
Paramétrica √√√ √√
No paramétrica √√ √
193
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
194
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
195
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
E11 c11
c12
E12
c1m1
d1 E1m1
Ei1 ci1
ci2
di Ei2
cimi
Eimi
dk
Ek1 ck1
Ek2 ck2
Ekmk ckmk
196
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
T. cte. $10B
Éxito
T. sube $5B
Proyecto
Fracaso -$B
Banco
$2B
T. cte.
T. sube $4B
197
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
E1 ... Ej ... Em
d1 c11 ... c1j ... c1m
M M M M
di ci1 ... cij ... cim
M M M M
dk ck1 ... ckj ... ckm
198
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
¿muera en 1 mes?
Ganar regular de
dinero y tener regular
de tiempo disponible
199
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
P(E12|d1) u(c12)
d1 P(E1m1|d1) u(c1m1)
P(Ei1|di) u(ci1)
u(ci2)
di P(Ei2|di)
u(cimi)
P(Eimi|di)
dk
P(Ek1|dk) u(ck1)
P(Ek2|dk) u(ck2)
P(Ekmk|dk) u(ckmk)
¡Fuera¡
Decisor Incertidumbre
200
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
201
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
o D = {d1,d2}
donde, d1 = Apostar al partido Conservador
d2 = Apostar al partido Laboral
o E = {E1, E2}
donde, E1 = Que gane el partido Conservador
E2 = Que gane el partido Laboral
o C = {c11, c12, c21, c22}. Si la apuesta es de k libras
7 3
entonces, c11 = − k + k = k
4 4
c12 = −k
c 21 = −k
5 1
c 22 = −k + k = k
4 4
Supongamos que la utilidad es proporcional al dinero, i.e.,
u(cij) = cij y sea π = P(E1), y 1 − π = P(E2).
P(E) π 1− π
u(d,E) E1 E2
d1 (3/4)k -k
d2 -k (1/4)k
202
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
Si u(d1 ) = u(d2 ) ⇔ π = 5 / 12 ⇒ d1 ó d2
Gráficamente, si definimos las funciones
7
g1 (π) = k π − k = u(d1 ) , y
4
5 k
g2 (π) = − k π + = u(d2 )
4 4
203
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
entonces, si k = 1,
1.0
0.5
g1(π)
5/12
0.0
1/5 4/7
-0.5
g2(π)
-1.0
204
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
205
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
206
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
207
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
208
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
¿Cuál prefieres?
{c|1}
Ganar c* con
Ganar probabilidad q
seguro o
c Ganar c* con
probabilidad 1-q
u(c)
Aversión al riesgo Indiferente al riesgo
Amante al riesgo
0 c
0 1,000
209
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
o Definición: Probabilidad.
La probabilidad P(E) de un evento incierto E es igual al área de una
región R del cuadrado unitario elegida de tal forma que las opciones
{c*|E, c∗|Ec} y {c*|R, c∗|Rc} sean igualmente deseables
(equivalentes).
o En otras palabras, si dE = {c∗|E, c∗|Ec} y dR = {c∗|Rq, c∗|Rqc} son tales
que
dE ∼ dRq ⇒ P(E) = q.
210
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
P(θ)
Modelo continuo
Si Eθ ={θ} ⇒
E = {θ | θ∈[a,b]}
θ
a b
NOTA: La probabilidad asignada a un evento, es siempre
condicional a la información que se posee en el momento de la
asignación, i.e., no existen probabilidades absolutas.
211
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
DEM.
{ } {
di = c ij Eij , j = 1,K, mi = c i1 Ei1,c i2 Ei2 ,K, c imi Eimi }
Por otro lado sabemos que,
{ } {
c ij ∼ c * R ij , c ∗ R ijc = c * u(c ij ), c ∗ 1 − u(c ij ) , }
donde u(c ij ) = Area(R ij ) , y
{ } { } {
dE = c * E, c ∗ E c ∼ c * RE , c ∗ REc = c * P(E j ), c ∗ 1 − P(E j ) , }
donde P(E ) = Area(RE ) .
Entonces, combinando ambas expresiones, tenemos
{{ } { } }
di = c ∗ Ri1, c ∗ Ric1 Ei1,K, c ∗ Rimi , c ∗ Rim
c
i
Eim1
= {c R ∩ E , c R ∩ E ,K, c R ∩ E , c R ∩ E }
∗
i1 i1 ∗
c
i1 i1
∗
imi imi ∗
c
imi imi
= {c (R ∩ E ) ∪ L ∪ (R ∩ E ), c (R ∩ E ) ∪ L ∪ (R
∗
i1 i1 imi imi ∗
c
i1 i1
c
imi ∩ Eimi )}
Finalmente,
{
u(di ) = Area (R i1 ∩ Ei1 ) ∪ L ∪ R imi ∩ Eimi ( )}
mi mi
= ∑ Area(R ij )Area(Eij ) = ∑ u(c ij )P(Eij )
j =1 j =1
212
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
213
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
P(Z Ei )P(Ei )
P(Ei Z ) = , i =1,2,...,k.
∑ P(Z Ei )P(Ei )
j∈J
DEM.
P(Ei ∩ Z ) P(Z Ei )P(Ei )
P(Ei Z ) = =
P(Z ) P(Z )
como Z = Z ∩ Ω = Z ∩ U E j = U (Z ∩ E j ) tal que
j∈J j∈J
(Z ∩ E j ) ∩ (Z ∩ Ek ) = ∅ ∀j≠k
j∈J j∈J
( )
⇒ P(Z ) = PU (Z ∩ E j ) = ∑ P(Z ∩ E j ) = ∑ P Z E j P(E j ).
j∈J
¾ Comentarios:
2) Una forma alternativa de escribir el Teorema de Bayes es:
P(Ei Z ) ∝ P(Z Ei )P(Ei )
214
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
P(E ) P(E Z )
215
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
1) Actualización secuencial:
P(E ) P(E Z1 ) P(E Z1, Z 2 )
Z1 Z2
2) Actualización simultánea:
P(E ) P(E Z1, Z 2 )
Z1,Z2
¿Cómo se hace?
P(Z1, Z 2 E )P(E )
Paso único: P(E Z1, Z 2 ) = .
P(Z1, Z 2 )
216
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
P(Z1, Z 2 , E )P(Z1, E )
P(Z 2 Z1, E )P(E Z1 ) P(Z1, E ) P(Z1 )
P(E Z1, Z 2 ) = =
P(Z 2 Z1 ) P(Z1, Z 2 )
P(Z1 )
( )
P(Z ) = ∑ P Z E j P(E j ) = (0.2)(0.6) + (0.6)(0.3) + (0.6)(0.1) = 0.36
3
j=1
(0.2)(0.6) 1
P(E1 Z ) = = (probabilidades
0.36 3 finales)
217
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
(0.6)(0.3) 1
P(E 2 Z ) = =
0.36 2
(0.6)(0.1) 1
P(E 3 Z ) = =
0.36 6
Por lo tanto, es más probable que el paciente tenga una
enfermedad relativamente frecuente (E2).
Problema de Inferencia.
218
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
f (θ x ) ∝ f (x θ)f (θ)
Finalmente,
f (θ x ) la distribución final (ó a-posteriori). Proporciona todo el
219
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
220
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
221
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
por lo tanto,
P(θ = 1 / 2) = 0.95 y P(θ = 1) = 0.05
es decir,
0.95, si θ = 1 / 2
f (θ) =
0.05, si θ = 1
Supongamos que al lanzar la moneda una sola vez se obtuvo un
sol, i.e, X1=1. Entonces la verosimilitud es
P(X1 = 1θ) = θ1 (1 − θ) = θ .
0
222
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
223
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
¿Cómo?
49 − 39 49 − 39
P(θ > 49 ) = P Z > = 0.25 ⇒ Z 0.25 = ,
σ σ
10
como Z0.25 = 0.675 (valor de tablas) ⇒ σ =
0.675
Por lo tanto, θ ∼ N(39, 219.47).
Para adquirir información adicional sobre la demanda, se
considerarán 3 proyectos similares cuyas utilidades dependen de la
misma demanda. Supongamos que la utilidad es una variable
aleatoria con distribución Normal centrada en θ y con una
desviación estándar de σ=2.
X|θ ∼ N(θ, 4) y θ ∼ N(39, 219.47)
Se puede demostrar que la distribución predictiva inicial toma la
forma
X ∼ N(39, 223.47)
¿Qué se puede derivar de esta distribución predictiva?
60 − 39
P(X > 60 ) = P Z > = P(Z > 1.4047 ) = 0.0808 ,
223.47
lo cual indica que es muy poco probable tener una utilidad mayor a
60.
Suponga que las utilidades de los 3 proyectos son: x1=40.62,
x2=41.8, x3=40.44.
224
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
n 1
2
x + 2 θ0
σ σ0 1
donde, θ1 = y σ12 = .
n 1 n 1
+ +
σ 2 σ 02 σ 2 σ 02
Por lo tanto,
x =40.9533, θ0 = 39, σ2 = 4, σ02 = 219.47, n=3
θ1 = 40.9415, σ12 = 1.3252 ∴ θ x ∼ N(40.9415, 1.3252)
225
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
226
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
1
f (θ) = I{θ , θ ,K,θ }(θ)
m 1 2 m
o ¿Qué pasa cuando el número de valores (m) que puede tomar θ
tiende a infinito?
f (θ) ∝ cte.
En este caso se dice que f(θ) es una distribución inicial impropia,
porque no cumple con todas las propiedades para ser una
distribución inicial propia.
π(θ) ∝ det{I(θ)}
1/ 2
, θ∈Θ,
∂ 2 log f (X θ)
donde I(θ) = −E X| θ es la matriz de información de
∂θ ∂θ'
Fisher
227
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
Ber(θ), i.e., f (x θ) = θ x (1 − θ)
1− x
I{0,1} ( x ) , θ∈(0,1).
∂ x 1− x
log f (x θ) = −
∂θ θ 1− θ
∂2 x 1− x
2
log f (x θ) = − 2 −
∂θ θ (1 − θ)2
X 1 − X E(X θ) 1 − E(X θ) 1
I(θ) = −E X|θ − 2 − = + = L =
θ (1 − θ)2 θ2 (1 − θ)2 θ(1 − θ)
1/ 2
1
= θ −1 / 2 (1 − θ)
−1 / 2
π(θ) ∝ I( 0,1) (θ)
θ(1 − θ)
∴ π(θ) = Beta(θ 1 / 2,1 / 2).
228
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
i =1
Γ(a + b) a −1
f (θ) = θ (1 − θ) I( 0,1) (θ)
b −1
Γ(a)Γ(b)
⇒ f (θ x ) ∝ θ ∑ i (1 − θ)
a + x −1 b + n − ∑ xi −1
I( 0,1) (θ)
Γ(a1 + b1 ) a1 −1
∴ f (θ x ) = θ (1 − θ) 1 I( 0,1) (θ) ,
b −1
Γ(a1 )Γ(b1 )
donde a1 = a + ∑ x i y b1 = b + n − ∑ x i . Es decir,
θ x ∼ Beta(a1, b1 ) .
229
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
( ) (
~ ~ 2
)
v θ, θ = a θ − θ , donde a > 0
En este caso, la decisión óptima que minimiza la pérdida esperada
es
~
θ = E(θ).
230
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
~
θ = Med(θ) .
231
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
∫ f (θ)dθ = 1 − α .
D
232
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
Gamma Distribution
0.4 Shape,Scale
2,1
0.3
density
0.2
0.1 1-α
| |
0
|0 2
|
4 6 8 10
| |
θx
233
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
v(d,θ) H0 H1
H0 v00 v01
H1 v10 v11
v11 v00
p0
0 H1 p* H0 1
234
Especialización en Evaluación de Proyectos Estadística y Probabilidad
PROFESOR: LUIS E. NIETO BARAJAS
v 01 − v 11
donde, p * = .
v 10 − v 11 + v 01 − v 00
Finalmente, la solución óptima es aquella que minimiza la pérdida
esperada:
p0 v − v 11
si E{v (H0 )} < E{v (H1 )} ⇔ > 01 ⇔ p0 > p* ⇒ H 0
1 - p 0 v 10 − v 00
H0 si p0 es suficientemente grande comparada con 1-p0.
p0 v − v 11
si E{v (H0 )} > E{v (H1 )} ⇔ < 01 ⇔ p 0 < p * ⇒ H1
1 - p 0 v 10 − v 00
H1 si p0 es suficientemente pequeña comparada con 1-p0.
si p 0 = p* ⇒ H 0 ó H
1
Indiferente entre H0 y H1 si p0 no es ni suficientemente grande ni
suficientemente pequeña comparada con 1-p0.
235
Especialización en Evaluación de Proyectos Estadística y Probabilidad