Está en la página 1de 20

Modelos administrativos para la toma decisiones

TEOREMA DE BAYES
El objetivo de la estadstica, y en particular de la estadstica bayesiana, es proporcionar una metodologa para analizar adecuadamente la informacin con la que se cuenta(anlisis de datos) y decidir de manera razonable sobre la mejor forma de actuar (teora de decisin)

Toma de decisiones Poblacin

Inferencia

Muestreo

Muestra

Anlisis de datos

TEOREMA DE BAYES
Tipos de inferencia: clsica y bayesiana

La toma de decisiones es un aspecto primordial en la vida de un profesional, por ejemplo, un mdico debe tomar decisiones
La metodologa estadstica clsica se puede ver como un conjunto de recetas que resultan apropiadas en determinados casos y bajo ciertas condiciones Sin embargo, existe una metodologa unificada y general que se deriva de analizar el proceso lgico que debe de seguirse para tomar una decisin (teora de la decisin), y que incluye como caso particular al conjunto de recetas clsicas

TEOREMA DE BAYES
La estadstica esta basada en la teora de probabilidades. Formalmente la probabilidad es una funcin que cumple con ciertas condiciones, pero en general puede entenderse como una medida o cuantificacin de la incertidumbre Aunque la definicin de funcin de probabilidad es una, existen varias interpretaciones de la probabilidad: a) Clsica: Supone que el experimento aleatorio produce resultados igualmente verosmiles (posibles) y propone como medida de probabilidad el cociente entre los casos favorables y los casos totales Pr(A) = nA n

TEOREMA DE BAYES
b) Frecuentista: Supone que un experimento aleatorio puede ser repetido un nmero infinito de veces bajo condiciones similares y propone como medida de probabilidad la proporcin de veces que ocurri el evento de inters Pr(A) = lim nA n n c. Subjetiva: Es simplemente una medida de la incertidumbre, asociada a un evento, asignada por un decisor. En otras palabras, es un juicio personal sobre la verosimilitud de que ocurra un resultado

Pr(A)=

TEOREMA DE BAYES
d) La metodologa Bayesiana: Est basada en la interpretacin subjetiva de la probabilidad y tiene como punto central el teorema de Bayes

Reverendo Thomas Bayes (1702-1761)

Estadstica Bayesiana
El inters por el teorema de Bayes trasciende la aplicacin clsica, especialmente cuando se ampla a otro contexto en el que la probabilidad no se entiende exclusivamente como la frecuencia relativa de un suceso a largo plazo, sino como el grado de conviccin personal acerca de que el suceso ocurra o pueda ocurrir (definicin subjetiva de la probabilidad) Afirmaciones del tipo "es muy probable que el partido X gane las prximas elecciones", "es improbable que Juan haya sido quien llam por telfono" o "es probable que se encuentre un tratamiento eficaz para el sida en los prximos cinco aos", normales en el lenguaje comn, no pueden cuantificarse formalmente; resultan ajenas, por tanto, a una metodologa que se desenvuelva en un marco frecuentista

Estadstica Bayesiana
Una cuantificacin sobre base subjetiva resulta, sin embargo, familiar y fecunda para el enfoque bayesiano. Al admitir un manejo subjetivo de la probabilidad, el analista bayesiano podr emitir juicios de probabilidad sobre una hiptesis H y expresar por esa va su grado de conviccin al respecto, tanto antes como despus de haber observado los datos. En su versin ms elemental y en este contexto, el teorema de Bayes asume la forma siguiente

Estadstica Bayesiana
La probabilidad a priori de una hiptesis, Pr(H), se ve transformada en una probabilidad a posteriori, Pr(H/datos) Una vez observados los datos, el teorema devuelve una nueva distribucin, que no es otra cosa que la percepcin probabilstica original actualizada por los datos

TEOREMA DE BAYES
Estimacin de los valores de probabilidad por medio del anlisis bayesiano En el caso de Thompson Lumber (ya resuelto), se suponen las siguientes cuatro probabilidades
P (mercado favorable (MF) resultado positivo de encuesta ) P (mercado desfavorable (MD) resultado positivo de encuesta ) P (mercado favorable (MF) resultado negativo de encuesta ) P(mercado desfavorable (MD) resultado negativo de encuesta ) 0.78 0.22 0.27 0.73

TEOREMA DE BAYES
Se puede derivar a estos valores mediante el teorema de Bayes

Especialistas en investigacin de mercados de una Universidad le han informado que las encuestas especiales pueden ser positivas (predecir MF) o negativas (predecir MD)
Estadsticamente, en relacin con nuevos productos con un Mercado Favorable (MF) las encuestas de mercado fueron positivas y predijeron de manera correcta un xito en 70% de las ocasiones y en 30% de las ocasiones, las encuestas predijeron falsamente resultados negativos

TEOREMA DE BAYES
En relacin con nuevos productos con un Mercado Desfavorable (MD), 80% de las encuestas predijeron de manera correcta resultados negativos y predijeron incorrectamente resultados positivos el 20% restante
Estado de la naturaleza Resultado de la encuesta Positivos(Predice un mercado favorable para el producto) Negativos(Predice un mercado desfavorable para el producto) Mercado Favorable P(encuesta positiva|MF)=0.70 Mercado desfavorable P(encuesta positiva|MD)=0.20

P(encuesta negativa|MF)=0.30

P(encuesta negativa|MD)=0.80

TEOREMA DE BAYES
Calculando las probabilidades a posteriori o revisadas de Thompson

Determinar la probabilidad de un mercado favorable o desfavorable dado que el estudio de mercado resulto positivo o negativo
Consideremos que, sin investigacin de mercado las probabilidades son: P(MF)= 0.50 y P(MD)= 0.50

TEOREMA DE BAYES
Utilizando el teorema de Bayes

Donde A,B = cualquiera de los dos eventos (MF o MD) Y A = Complemento de A Obtener la probabilidad de un MF dado una encuesta positiva

TEOREMA DE BAYES
Obtener la probabilidad de un MD dado una encuesta positiva

El denominador 0.45 es la probabilidad de una encuesta positiva

TEOREMA DE BAYES
Usando la tabla de probabilidad, para MF o MD dado encuesta positiva
Probabilidad a posteriori Estado de la Probabilidad Naturaleza condicional P(encuesta positiva|EN) MF MD 0.70 0.20 Probabilidad a priori Probabilidad conjunta P(EN|Encuesta positiva)

X 0.50 X 0.50

= 0.35 = 0.10 = 0.45

= 0.35/0.45=0.78 = 0.10/0.45=0.22

P(de que la encuesta de resultados positivos)

TEOREMA DE BAYES
Ahora las probabilidades condicionales cuando las encuestas arrojan resultados negativos

Obtener la probabilidad de un MF dado una encuesta negativa

TEOREMA DE BAYES
Obtener la probabilidad de un MD dado una encuesta negativa

TEOREMA DE BAYES
Usando la tabla de probabilidad, para MF o MD dado encuesta negativa
Probabilidad a posteriori Estado de la Probabilidad Naturaleza condicional P(encuesta negativa|EN) MF MD 0.30 0.80 Probabilidad a priori Probabilidad Conjunta P(EN|Encuesta negativa)

X 0.50 X 0.50

= 0.15 = 0.40 = 0.55

= 0.15/0.55=0.27 = 0.40/0.55=0.73

P(de que la encuesta de resultados negativos)

TEOREMA DE BAYES
Conclusin: Las probabilidades a posteriori le proporcionan a John Thompson las estimaciones de cada estado de la naturaleza si los resultados de la encuesta son positivos o negativos. La probabilidad a priori de tener xito era nicamente de 50% ahora se est consciente de que existe la probabilidad de 78% de tener xito si la encuesta muestra resultados positivos Y sus posibilidades de xito caen a un 27% si los resultados de la encuesta se tornan negativos