Teoría de la Decisión

BAYES y DECISIONES DE COMPRA DE

INFORMACIÓN ADICIONAL

2016
 Decisión, incertidumbre e información
La decisión está condicionada por los límites de la racionalidad, por la
percepción subjetiva que el individuo tiene del universo que lo rodea,
por el grado de conocimiento y de certeza –o de incertidumbre- que
tenga respecto del comportamiento de las variables no controlables
que afectan la situación sobre la cual quiere decidir.

• Cuando tomamos una decisión, lo hacemos dado un determinado nivel de

información (y de incertidumbre) que poseemos en un momento determinado.
• El grado nivel de incertidumbre estará determinado por la información que el
decisor tenga respecto del funcionamiento del universo, sus estados y su
propensión a suceder.
• La información constituye así un recurso útil para resolver problemas y tomar
decisiones, ya que su aprovechamiento racional es la base del conocimiento.
 La información adicional
En algunas ocasiones debemos DECIDIR si comprar o no
información adicional, o decidir retrasar la decisión (incurriendo
en gastos y tiempo) en busca de nueva información que sirva
para reducir la incertidumbre implicada en nuestra decisión.

 La información adicional constituye un recurso que permite reducir la

incertidumbre de nuestra decisión, mejorando el conocimiento sobre una VNC,
a través de otra variable que aporta la información (mensaje)
 La información permite «ajustar» las probabilidades de los estados del universo.
 Con las nuevas probabilidades de los estados, puede mejorar el valor esperado
de la decisión, constituyendo un beneficio para el decisor.
 La información adicional implica un costo valorizable, que deberá ser
comparado con el beneficio, a fin de poder decidir si conviene o no buscar dicha
información.
La decisión de compra de información
Decidir la adquisición de información adicional antes de elegir una de
las alternativas que habíamos determinado, constituye la
incorporación de una nueva alternativa a la situación de decisión.
Implica una metadecisión.

• Esta decisión se toma antes de conocer cuál va a ser el mensaje que vamos a recibir.
Es decir, cuando decidimos comprar información adicional aún no se conoce cual
será esa información.
• Hay una nueva Variable No Controlable y los mensajes constituyen los estados de
dicha VNC. Los mismos tendrán asociada una propensión a suceder.
• Cada uno de los mensajes conducirá a una nueva distribución de probabilidades para
la variable no controlable de la decisión principal.
• Esas nuevas distribuciones de probabilidades conducirán a nuevos Valores Esperados
para nuestras alternativas, los cuales dependerán de los mensajes recibidos.
La decisión de compra de información
Para decidir comprar la información adicional deben
darse tres condiciones:
1. La información debe ser relevante
2. Debe generar un cambio de comportamiento con
cada uno de los mensajes
3. El beneficio aportado debe ser mayor al costo de la
información

Estas condiciones son acumulativas, si se da la 3 significa que se dieron también la 1 y la 2

La información debe ser relevante
• La información es relevante cuando permite reducir la incertidumbre.

• La entropía luego de recibida la información (a posteriori) debe ser, en

promedio, menor a la de antes de recibirla (a priori).
𝑯 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 ≤ 𝑯𝒂 𝒑𝒓𝒊𝒐𝒓𝒊
𝒑𝒐𝒔𝒕𝒆𝒓𝒊𝒐𝒓𝒊

• Si los mensajes no tienen que ver con la VNC sobre la cual tenemos
incertidumbre, entonces no se reducirá la incertidumbre.

• En ese caso, la probabilidades de los estados (Nj) serán las mismas a las
que ya conocíamos. La entropía a posteriori será igual a la a priori.

• Si la información no es relevante no nos sirve y no debe comprarse.

 Generar cambio de comportamiento
• Para que la información sea útil, debe generar un cambio en
el comportamiento para alguno de los estados Zi.

• Si la INFORMACIÓN es IRRELEVANTE las probabilidades no se

ajustarán y siempre se elegirá lo mismo por lo tanto NO HAY
CAMBIO DE COMPORTAMIENTO.

• Que la información sea relevante no significa que generará un

cambio de comportamiento.

• Si todos los mensajes nos llevan a elegir la misma alternativa

entonces para qué la compramos. No debe comprarse.
 Beneficio mayor al costo
• Si la información es irrelevante no generará un cambio de
comportamiento y por lo tanto no podrá agregar ningún valor
a nuestra decisión. El costo (si lo tiene) será menor al
beneficio (que es nulo) y no deberá comprarse.

• Si la información es relevante y genera un cambio de

comportamiento entonces será beneficiosa para nosotros.

• Si ese beneficio (esperado) es mayor al costo que hemos

determinado para la información entones deberemos
comprarla. Si es menor, no.
• ¿Cómo medimos el beneficio que nos aportará la
información?
Calculando el valor esperado de las alternativas elegidas al recibir cada
uno de los mensajes ‘Zi’, ponderados por la probabilidad de dichos
mensajes, y comparándolo con el de la alternativa elegida sin
información.

• ¿Con qué probabilidades calculamos los valores

esperados luego de recibidos los mensajes?
Con las probabilidades a posteriori.

• ¿De dónde sacamos las probabilidades a posteriori

y la de los mensajes?
Para eso se utiliza el ANÁLISIS BAYESIANO
 Análisis bayesiano
El análisis de compra de información adicional tiene dos partes:

1) El análisis bayesiano que nos permite deducir, a partir de

un conjunto de información, las probabilidades de los
mensajes y las probabilidades a posteriori.
El teorema fue desarrollado por Thomas Bayes en el siglo XVIII y se inscribe dentro de la Teoría de la
Probabilidad. En esta parte solo se analizan las probabilidades, no se toman en cuenta los resultados.

2) El análisis de compra de información que, a partir de las

probabilidades obtenidas determina el beneficio aportado
por la información y lo compara con su costo.
 Análisis bayesiano
En un colegio hay 50 estudiantes, los cuales pueden ser
clasificados por su género biológico y el color de su pelo. Hay 8
hombres rubios, 10 morochos y 2 pelirrojos. Entre las mujeres,
hay 20 rubias, 10 morochas y ninguna pelirroja.
Tomado un estudiante al azar:
a) ¿Cuál es la probabilidad de que sea rubio?
b) ¿Cuál de que sea mujer?
c) ¿Y de que sea hombre y morocho?
d) ¿Cuál es la probabilidad de que sabiendo que es mujer, sea rubia?
e) ¿Cuál de que sea hombre si sabemos que es morocho?
 Hombres Mujeres TOTAL
Rubios 8 20 28
Morochos 10 10 20
Pelirrojos 2 0 2
TOTAL 20 30 50

A partir de la distribución
de arriba podemos pH pM pR,MóP
calcular las probabilidades pRub. 0,16 0,4 0,56
de cada caso. pMor. 0,2 0,2 0,4
Dividimos cada cantidad pPel. 0,04 0 0,04
por la cantidad total de
estudiantes.
pHóM 0,4 0,6 1

Esto permite responder las primeras preguntas:

a) ¿Cuál es la probabilidad de que sea rubio? 0,56
b) ¿Cuál de que sea mujer? 0,60
c) ¿Y de que sea hombre y morocho? 0,20
Las últimas dos preguntas requieren un poco más de análisis.
Hacen referencia a probabilidades condicionales.

pH pM pR,MóP pH/R,MóP pM/R,MóP 

pRub. 0,16 0,4 0,56 2/7 5/7 1
pMor. 0,2 0,2 0,4 0,50 0,50 1
pPel. 0,04 0 0,04 1 0 1
pHóM 0,4 0,6 1
pR/HóM 0,4 2/3
pM/HóM 0,5 1/3
pP/HóM 0,1 0
 1 1
e) ¿Cuál es la probabilidad de que sabiendo que es mujer, sea rubia? 2/3
f) ¿Cuál de que sea hombre si sabemos que es morocho? 0,5
 Análisis bayesiano
La probabilidad de que el estudiante seleccionado sea Rubio es,
a priori, 0,56.
Saber que el estudiante es una mujer hace que nuestra
probabilidad se ajuste a 2/3. Esta es una probabilidad
condicional: «la probabilidad de que sea rubio siendo que es una
mujer».
La variable género biológico y color de pelo están relacionadas
entre sí. NO SON INDEPENDIENTES.
Saber que es mujer es un mensaje que aporta información
adicional respecto del color de pelo.
El análisis bayesiano vincula 5 conjuntos de probabilidades:
• Probabilidades a priori (pNi): constituyen las probabilidades asignadas por
el decisor a los estados de la naturaleza (Ni) antes de considerar la
información adicional.
• Verosimilitud (pZj/Ni): esta es un conjunto de datos que el decisor también
debe tener. Representa la capacidad de los mensajes para predecir lo que
ocurrirá con los estados Ni. Constituye una probabilidad condicional pZj/Ni
que se lee: «la probabilidad de que si ocurrirá Ni, me den el mensaje Zj»
• Probabilidades conjuntas (pNZ): es la probabilidad de que me den un
mensaje y ocurra un estado determinado concurrentemente.
pNZ = pZN = pZj/Ni*pNi = pNi/Zj*pZj
• Probabilidad de los mensajes (pZj): es la probabilidad de que me den un
mensaje determinado.
• Probabilidades a posteriori (pNi/Zj): es la probabilidad «ajustada» de que
ocurra el estado Ni, si nos han dado el mensaje Zj. Es la que usaremos para
calcular los nuevos VE de las alternativas.
 Análisis bayesiano
• pNi: probabilidad simple a
𝑝𝑁⋂𝑍 = 𝑝𝑍⋂𝑁 = 𝑝𝑍 𝑁 ∗ 𝑝𝑁 = 𝑝𝑁 𝑍 ∗ 𝑝𝑍 priori del estado Ni
• pZj: probabilidad simple de
que den el mensaje Zj
𝒑𝒁𝒋 𝑵𝒊 ∗ 𝒑𝑵𝒊 • pNi⋂Zj: probabilidad
𝒑𝑵𝒊 𝒁𝒋 = conjunta del estado Ni y el
𝒑𝒁𝒋 mensaje Zj.
• pZj/Ni: probabilidad
𝑛 𝑛 condicional a priori
(verosimilitud)
𝑝𝑍𝑗 = 𝑝𝑍𝑗 ⋂𝑁𝑖 = 𝑝𝑍𝑗 𝑁𝑖 ∗ 𝑝𝑁𝑖
𝑖=1 𝑖=1 • pNi/Zj: probabilidad
condicional a posteriori de
que ocurra el estado Ni si se
dio el mensaje Zj.
𝒑𝒁𝒋 𝑵𝒊 ∗ 𝒑𝑵𝒊
𝒑𝑵𝒊 𝒁𝒋 = 𝒏 Las probabilidades simples a
𝒊=𝟏 𝒑𝒁𝒋 𝑵𝒊 ∗ 𝒑𝑵𝒊 priori y la verosimilitud es
información que debemos
conocer, el resto lo calculamos.
 PROBABILIDADES PROBABILIDADES
SIMPLES DE LOS CONDICIONALES
MATRIZ DE MENSAJES A POSTERIORI
PROBABILIDADES
CONJUNTAS

pH pM pR,MóP pH/R,MóP pM/R,MóP

pRub. 0,16 0,4 0,56 2/7 5/7

pMor. 0,2 0,2 0,4 0,50 0,50

pPel. 0,04 0 0,04 1 0

pHóM 0,4 0,6

pR/HóM 0,4 2/3 PROBABILIDADES

pM/HóM 0,5 1/3 SIMPLES
pP/HóM 0,1 0 A PRIORI

PROBABILIDADES
CONDICIONALES A PRIORI
(VEROSIMILITUD)
 De la matriz de probabilidades
𝑝𝑁⋂𝑍/𝑝𝑍=𝑝𝑁 𝑍 conjuntas salimos DIVIDIENDO

𝑝𝑁⋂𝑍 𝑝𝑍 𝑝𝑁 𝑍
A la matriz de Probabilidad
Matriz de Probabilidades
de los
probabilidades 𝑝𝑍⋂𝑁 probabilidades condicionales a
mensajes
conjuntas conjuntas posteriori
pZ⋂Ni
entramos
MULTIPLICANDO Probabilidad a
𝑝𝑁 priori 1
𝑝𝑍 𝑁 ∗ 𝑝𝑁 = 𝑝𝑁⋂𝑍
Matriz de
𝑝𝑍 𝑁 verosimilitud

 La probabilidades a priori (pN) suman 1 hacia la derecha.

 Las probabilidades de los mensajes (pZ) suman 1 hacia abajo.
 Las probabilidades a posteriori suman 1 hacia la derecha.
 Las probabilidades de la verosimilitud suman 1 hacia abajo
 Toda la matriz de probabilidades conjuntas suma 1.
 Información irrelevante
En este caso, se nos da información sobre la nacionalidad del
estudiante, en lugar de su color de pelo.
pH pM pNac. pH/Nac. pM/Nac.
pH pM TOTAL
Inglés 0,2 0,3 0,5 0,4 0,6
Inglés 10 15 25
Francés 8 12 20 Español 0,16 0,24 0,4 0,4 0,6
Ruso 2 3 5 Ruso 0,04 0,06 0,1 0,4 0,6
TOTAL 20 30 50 pGénero 0,4 0,6 1
pR/gén 0,5 0,5
pE/gén 0,4 0,4
pR/gén 0,1 0,1

 Las probabilidades a posteriori son iguales a las probabilidades a priori

para todos los mensajes  los mensajes no acarrean información
adicional. ES IRRELEVANTE y NO DEBE COMPRARSE
 Las variables ‘Género’ y ‘Nacionalidad’ son INDEPENDIENTES.
 La probabilidad conjunto es el producto de las probabilidades simples.
 Para recordar
• Los mensajes constituyen una variable no
controlable, pues aun no se cual es la información
que me van a dar.
• Hay que imaginar todos los mensajes posibles.
• Hay que conocer la matriz de verosimilitud.
• Primero pago y luego me dan el mensaje.
• La información servirá si las dos variables (mensajes
Zj y estados Ni) están correlacionadas, si la variable
mensaje explica “algo” de la variable estado.
Compra de información adicional
• La segunda parte del análisis utiliza la información recabada
mediante el análisis bayesiano de las probabilidades.
• El análisis de compra de información se realiza a partir de las
probabilidades a posteriori y las de los mensajes.
• Se utilizan las nuevas probabilidades para calcular los VE de
las alternativas con las probabilidades «ajustadas».
• Se determinan las nuevas elecciones de alternativas en la
decisión principal.
• Se calcula el beneficio aportado por la información y se lo
compara con su costo.
 Ejemplo
Un decisor debe elegir entre dos alternativas (S1 y S2). Los resultados
de la alternativa S1 dependen de la variable N, la cual puede tener dos
estados: N1 y N2. La alternativa S2 está en certeza.
Los resultados estimados para S1 son $100 de ganancia si ocurre N1 y -
$70 si ocurre N2. En la alternativa S2 se obtienen $18 de forma segura.
En base a la información que tiene y su experiencia a establecido una
probabilidad de 0,6 para N1.

N1 N2 VALOR
0,6 0,4 ESPERADO
La información disponible lleva a la
elección (según el VE) de la
S1 90 -70 26
alternativa S1
S2 18 18 18
 0,6
La misma situación representada 26 $90
S1
por un árbol. 0,4
26 -$70
S2
$18

Sin embargo, el decisor puede considerar la posibilidad de buscar

información adicional. Al fin y al cabo, el punto de sensitividad es 0,55,
muy cercano al 0,6 estimado.

100 100
ANÁLISIS DE SENSITIVIDAD
80
60 80 •pN1+pN2=1
40
60 •S1=S2
20
0
40
90*p-70*(1-p) = 18
0 0,25 0,5 0,75 1
-20 0,6
-40 pN1=0,55
160*p = 88
20
-60 P = 0,55
-80 0

S1 S2
Al decisor le ofrecen información adicional.
¿Cuánto estará dispuesto a pagar por ella?
El decisor determina que el informante puede darle 2 mensajes, Z1 y
Z2, pero no sabe cuál de ellos le darán.
A su vez, ha establecido la siguiente matriz de verosimilitud:

N1 N2
pZ1/N 0,7 0,2
pZ2/N 0,3 0,8

• La matriz de verosimilitud implica que la probabilidad de que nos den el

mensaje Z1 siendo que ocurrirá N1 es del 70%.
• La probabilidad de que nos den el mensaje Z2 si va a ocurrir N2 es del 80%.
De que nos den el mensaje Z2 si sucederá N1 es del 20%.
• Esta información la determina el decisor a partir del conocimiento (y
confianza) que tiene en el informante, a partir del historial de sus
predicciones, etc.
Al momento de decidir (t1) no sabemos que mensaje nos darán. Una vez recibida la información,
tomamos la decisión principal pero aún sin saber qué ocurrirá. El proceso ocurre «en la mente del
decisor».

TIEMPO
T1: Momento de T2: Momento de T3: Momento de T4: Momento de
decisión incertidumbre decisión incertidumbre RESULTADOS
(¿Decido con la información (¿Qué mensaje me darán?) (¿Elijo S1 o S2?) (¿Ocurrirá N1 o N2?)
actual o compro adicional?)
•Al momento de decidir si •Retomamos la decisión •Los estados son los
•Incorporamos la comprar o no, no sabemos principal con la nueva mismos pero sus probabi- •Si la información que
que mensaje nos darán. información. lidades han sido ajustadas. compramos tiene un
alternativa S3: costo, se lo debemos
adquirir •El análisis requiere •Cada mensaje puede •Cada mensaje llevará a restar a los resultados
información conocer los posibles llevar a la elección de valores de p distintos para
N1 y N2.
de S3.
adicional mensajes. una alternativa distinta.
 Incorporación de la alternativa de compra de
información adicional
N1: 0,6
26 $90
N2: 0,4 -$70
S1
26 $18
S2
N1/Z1
$90 - CI

N2/Z1 -$70 - CI
S3 Z1 $18 - CI

N1/Z2
$90 - CI
Z2
N2/Z2 -$70 - CI

$18 - CI

La alternativa S3 es la búsqueda Para la VNC ‘Z’

de información adicional antes determinamos dos La información de los mensajes Z1 y Z2,
de decidir. Esta decisión implica estados (dos mensajes permite «ajustar» las probabilidades de
agregar la VNC ‘Z’. posibles: Z1 y Z2). N1 y N2
PRIMERO completamos la estructura de información para obtener la pZ y las pN/Z.
1. Tenemos las 𝑝𝑁𝑖 y las 𝑝𝑍𝑗 /𝑁𝑖
2. Calculamos las 𝑝𝑍𝑗 ⋂𝑁𝑖 multiplicando las 𝑝𝑁𝑖 ∗ 𝑝𝑍𝑗 /𝑁𝑖
3. Sumamos las 𝑝𝑍𝑗 ⋂𝑁𝑖 en filas hacia la derecha para obtener las 𝑝𝑍𝑗
4. Hallamos las 𝑝𝑁𝑖 /𝑍𝑗 dividiendo las 𝑝𝑍𝑗 ⋂𝑁𝑖 por las 𝑝𝑍𝑗

𝑝𝑁1 ⋂𝑍𝑗 𝑝𝑁2 ⋂𝑍𝑗 𝑝𝑍𝑗 𝑝𝑁1 /𝑍𝑗 𝑝𝑁2 /𝑍𝑗 

𝑝𝑍1 ⋂𝑁𝑖 0,42 0,08 0,5 0,84 0,16 1
𝑝𝑍2 ⋂𝑁𝑖 0,18 0,32 0,5 0,36 0,64 1
𝑝𝑁𝑖 0,6 0,4 1
Ejemplos:
𝑝𝑍1 /𝑁𝑖 0,7 0,2
• 𝑝𝑍1 ⋂𝑁1 = 𝑝𝑍1 /𝑁𝑖 * 𝑝𝑁𝑖
𝑝𝑍2 /𝑁𝑖 0,3 0,8
0,42 = 0,7*0,6
 1 1
• 𝑝𝑍1 = 𝑝𝑍1 ⋂𝑁1 +𝑝𝑍1 ⋂𝑁2
0,5 = 0,42+0,08

• 𝑝𝑁1 /𝑍1 = 𝑝𝑍1 ⋂𝑁1 / 𝑝𝑍1

0,84 = 0,42 / 0,5
Con la información recabada mediante el análisis bayesiano, analizamos las alternativas.
1. Calculamos el VE de cada alternativa con las probabilidades a posteriori para cada
uno de los mensajes
2. Elegimos la mejor alternativa dado cada uno de los mensajes
3. Ponderamos los VE de las alternativas elegidas por las probabilidades de los
mensajes (pZ)

N1: 0,6
26 $90
N2: 0,4 -$70
S1
$18
S2
64,4 N1/Z1: 0,84
$90 - CI
-CI
64,4 -$70 - CI
N2/Z1: 0,16
S3 pZ1: 0,5
-CI
$18 - CI
41,2
-CI -12,4 N1/Z2: 0,36
$90 - CI
-CI
pZ2: 0,5 18 N2/Z2: 0,64 -$70 - CI
-CI
$18 - CI
Con MATRICES:
N1 N2 VALOR
0,6 0,4 ESPERADO Matriz con probabilidades a priori,
S1 90 -70 26 sin comprar información adicional
S2 18 18 18

Matriz con probabilidades a posteriori, para cada uno de los mensajes

Para N1 N2 VALOR Para N1 N2 VALOR
Z1 0,84 0,16 ESPERADO Z2 0,36 0,64 ESPERADO
S1 90 -70 64,4 S1 90 -70 -12,4
S2 18 18 18 S2 18 18 18

Z1 Z2 VALOR
0,5 0,5 ESPERADO
Matriz de decisión de compra o no de
información adicional. Comprar 64,4 18 41,2
info
No esta considerado el Costo de la
Información No 26 26 26
Comprar
 La información debe ser relevante
La incertidumbre a priori, medida con la entropía es la siguiente:
𝑯𝒂𝒑 = −(𝟎, 𝟔 ∗ 𝐥𝐨𝐠 𝟐 𝟎, 𝟔 + 𝟎, 𝟒 ∗ 𝒍𝒐𝒈𝟐 𝟎, 𝟒) = 0,9709

La incertidumbre a posteriori dependerá del mensaje que recibamos:

𝑯𝒛𝟏 = −(𝟎, 𝟖𝟒 ∗ 𝐥𝐨𝐠 𝟐 𝟎, 𝟖𝟒 + 𝟎, 𝟏𝟔 ∗ 𝒍𝒐𝒈𝟐 𝟎, 𝟏𝟔) = 0,6343

𝑯𝒛𝟐 = −(𝟎, 𝟑𝟔 ∗ 𝐥𝐨𝐠 𝟐 𝟎, 𝟑𝟔 + 𝟎, 𝟔𝟒 ∗ 𝒍𝒐𝒈𝟐 𝟎, 𝟔𝟒) = 0,9427

La incertidumbre promedio a posteriori será:

𝑯𝒑.𝒑𝒐𝒔𝒕 = 𝑯𝒛𝟏 ∗ 𝒑𝒁𝟏 + 𝑯𝒛𝟐 ∗ 𝒑𝒁𝟐 = 𝟎, 𝟔𝟑𝟒𝟑 ∗ 𝟎, 𝟓 + 𝟎, 𝟗𝟒𝟐𝟕 ∗ 𝟎, 𝟓 = 0,7885

La entropía promedio a posteriori es menor  LA INFORMACIÓN ES RELEVANTE

 Generar cambio de comportamiento
Si nos dan el mensaje Z1, el VE de S1 es mayor al de S2.
Para N1 N2 VALOR
Z1 0,84 0,16 ESPERADO
S1 90 -70 64,4
S2 18 18 18

Si nos dan el mensaje Z2, el VE de S2 es mayor al de S1.

Para N1 N2 VALOR
Z2 0,36 0,64 ESPERADO
S1 90 -70 -12,4
S2 18 18 18

Hay cambio de comportamiento  LA INFORMACIÓN ES ÚTIL

 Beneficio mayor al costo
No nos dicen cuál es el costo de la información, sino que se
pregunta cuanto estaríamos dispuestos a pagar.
El valor máximo es igual al beneficio aportado.
Z1 Z2 VE
0,5 0,5
Comprar Info 64,4 18 41,2
No Comprar 26 26 26
Beneficio esperado aportado por la información  15,2

 Si el COSTO de la información es MAYOR a $15,2  NO SE

COMPRA LA INFORMACIÓN.
 Si el COSTO de la información es MENOR a $15,2  SÍ SE
COMPRA LA INFORMACIÓN.
 INFORMACIÓN PERFECTA
• La información es perfecta cuando reduce la incertidumbre
totalmente. La entropía a posteriori es 0.

• El beneficio de la información perfecta constituye el mayor costo

que estamos dispuestos a pagar por información adicional.

• Cada mensaje se relaciona exclusivamente con un estado.

• Tendrá que haber, por lo menso, tantos mensajes como estados a

explicar.
N1 N2
• La verosimilitud será similar a la siguiente: pZ1/N 1 0
pZ2/N 0 1
 INFORMACIÓN PERFECTA
𝑝𝑁1 ⋂𝑍𝑗 𝑝𝑁2 ⋂𝑍𝑗 𝑝𝑍𝑗 𝑝𝑁1 /𝑍𝑗 𝑝𝑁2 /𝑍𝑗 
𝑝𝑍1 ⋂𝑁𝑖 0,6 0 0,6 1 0 1 • S3: información adicional
𝑝𝑍2 ⋂𝑁𝑖 0 0,4 0,4 0 1 1 • El informante es perfecto
𝑝𝑁𝑖 0,6 0,4 1 • ‘C’ es el costo de la
información
𝑝𝑍1 /𝑁𝑖 1 0
𝑝𝑍2 /𝑁𝑖 0 1
 1 1
N1: 0,6
26 $90
N2: 0,4 -$70
S1
$18
S2
N1/Z1: 1
90-C $90-C
90-C N2/Z1: 0 -$70-C
S3 pZ1: 0,6 $18-C
61,2-C N1/Z2: 0
-70-C $90-C
pZ2: 0,4
18-C N2/Z2: 1 -$70-C
$18-C
 N1 N2 VALOR
0,6 0,4 ESPERADO Matriz con probabilidades a priori,
S1 90 -70 26 sin comprar información adicional
S2 18 18 18

Matriz con probabilidades a posteriori. Son situaciones de certeza.

Para N1 N2 VALOR Para N1 N2 VALOR

Z1 1 0 ESPERADO Z2 0 1 ESPERADO
S1 90 -70 90 S1 90 -70 -70
S2 18 18 18 S2 18 18 18

Matriz de decisión de compra de información perfecta.

Z1 Z2 VALOR
0,6 0,4 ESPERADO
Comprar info 90 18 61,2
No Comprar 26 26 26
Costo máximo a pagar por
Información Perfecta 35,2
 INFORMACIÓN IRRELEVANTE
𝑝𝑁1 ⋂𝑍𝑗 𝑝𝑁2 ⋂𝑍𝑗 𝑝𝑍𝑗 𝑝𝑁1 /𝑍𝑗 𝑝𝑁2 /𝑍𝑗 
Verosimilitud
𝑝𝑍1 ⋂𝑁𝑖 0,42 0,28 0,7 0,6 0,4 1
N1 N2
𝑝𝑍2 ⋂𝑁𝑖 0,18 0,18 0,3 0,6 0,4 1
pZ1/N 0,7 0,7 𝑝𝑁𝑖 0,6 0,4 1
pZ2/N 0,3 0,3 𝑝𝑍1 /𝑁𝑖 0,7 0,7
𝑝𝑍2 /𝑁𝑖 0,3 0,3
 1 1

• La matriz de verosimilitud en este caso muestra que no hay relación entre

los mensajes y los estados. SON VARIABLES INDEPENDIENTES

• La incertidumbre a priori es igual a la incertidumbre promedio a posteriori,

ya que no hay ajuste en las probabilidades de N.

• Las probabilidades no cambian y, por ende, tampoco nuestro

comportamiento  NO TIENE SENTIDO COMPRAR ESTA INFORMACIÓN
 Certeza Inicial
• Si uno parte de la creencia de que algo es cierto, no hay
mensaje posible, a priori, que cambie su visión.
• Ante certeza inicial, NO SE COMPRARÁ INFORMACIÓN
ADICIONAL.

Mensaje Único
• Si el decisor cree que solo se puede recibir un mensaje,
tampoco se puede agregar información.
• Si ya sabemos qué es lo que nos dirán, no pagaremos por
ello.

37