Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sesión : 02
Primera Unidad:
TEORÍA DE DECISIONES, CADENAS DE MARKO
Sesión Contenidos
TEORÍA DE DECISIONES
1 Concepto de decisiones
2 Uso del Teorema de Bayes para la toma de Decisiones.
3 Árboles de decisión
CADENAS DE MARKO
4 Cadena de Markov
5 Cadena de Markov: : Matriz Absorvente
EXAMEN PARCIAL
TEOREMA DE BAYES PARA DECISIONES
• Logro:
Al finalizar la sesión, el estudiante aplica el teorema de
Bayes en la toma de decisiones aplicando el concepto de
probabilidades.
• Importancia:
Dentro de un esquema empresarial para la toma de
decisiones porque nos permite en el análisis de hechos
concretos tener la capacidad de hacer inferencias sobre
la ocurrencia de eventos futuros que ayude controlar
diferentes factores dentro del negocio y tomar la mejor
decisión.
Sesión 02:
1. Introducción
2. Teorema de Bayes
3. Valor esperado de la información imperfecta
4. Valor esperado de la información de la muestra
• Ejemplo
• Revisión de probabilidades de IM.
• Teorema de Bayes
• Identificación de la solución óptima.
CONCEPTOS A RECORDAR
• Probabilidad
• Probabilidad Condicional
• Sucesos dependientes e independientes
• Sucesos mutuamente excluyentes
• Suma y Producto de probabilidades
• Esperanza matemática
PROBABILIDAD
CONDICIONAL
SUCESOS DEPENDIENTES Y SUCESOS INDEPENDIENTES
• Se llaman sucesos independientes a dos o más
sucesos, cuando el resultado de un suceso no
depende del resultado de los otros sucesos.
• Por ejemplo en el caso de extracciones se consideran
sucesos independientes las extracciones con
reemplazo, mientras que las extracciones sin
reemplazo se consideran dependientes.
PROBABILIDAD
CONDICIONAL
p(E2/E1)
• Se representa así a la probabilidad de ocurrencia
de E2 cuando ya se dio o ya ocurrió E1.
• Se puede leer probabilidad de E2 dado E1.
1. Introducción
• Se usan probabilidades de modo informal para expresar la
información o la incertidumbre que se tiene acerca de
observaciones de cantidades desconocidas. Sin embargo, el
uso de probabilidades para expresar la información se
puede hacer de modo formal.
1. Introducción
A1 C P(C/A1)
PROBAB.
...P(A1)
CONDICIONALES
P(B/A2)
A2...
P(A2) B...
C P(C/A2)
N
P(N/A) = 0.97
A
P(A)=0,45 D
P(D/B) = 0.04
B
P(B)=0,30 N
P(N/B) = 0.96
C
D
P(D/C) = 0.05
N P(N/C) = 0.95
Solución problema 1:
P(D/B) = 0,04
c) Tomamos, al azar, una pieza y resulta ser
defectuosa; calcula la probabilidad de haber sido
producida por la máquina B.
P(B/D)= P(B).P(D/B)
P(A).P(D/A) + P(B).P(D/B) + P(C).P(D/C)
P(B).P(D/B)
P(B/D)=
P(D)
• Directivo : D
• Mando Medio : M
• Mando Bajo : B
• SI se traslade : Si
• NO se traslade : No
• De acuerdo a la pregunta ya se sabe que el
colaborador no se traslada y piden la
probabilidad de que sea un Directivo
0.15*0.95/(0.15*0.95+0.65*0.85+0.2*0.90)
Si P(Si/D)=0,05
No P(No/D)=0,95
P(D)=0,15
Si P(Si/M)=0,15
P(M)=0,65
No P(No/M)=0,85
Si
P(B)=0,20 P(Si/B)=0,10
No P(No/B)=0,90
Piden P(No/D)… Bayes
𝑃 ( 𝑁𝑜 / 𝐷 ) = 𝑃 ( 𝐷 ) ∗ 𝑃 ¿ ¿
P(No)= P(D).P(No/D) + P(M).P(No/M) + P(B).P(No/B)
P(No)= (0,15),(0,95) + (0,65)(0,85) + (0,2).(0,9)
P(No)= 0,1425 + 0,5525 + 0,18
P(No)= 0,8750
0,1425
P(D/No) =
0,875
= 0,1629
0,1425
P(D/No) = = 0,1629
0,875
0,5525
P(M/No) = = 0,6314
0, 875
0,18
P(B/No) = = 0,2057
0, 875
Ejemplo 3:
• La probabilidad de que haya un incidente
en una fábrica es 0.1. La probabilidad de
que suene la alarma sí se ha producido
algún incidente es de 0.97 y la
probabilidad de que suene si no ha
sucedido incidente es 0.02.
• En el supuesto de que haya funcionado la
alarma, ¿cuál es la probabilidad de que
no haya habido incidente?
• I : Hubo Incidente
• Ῑ : No hubo incidente
• A : Alarma suena
• Ᾱ : Alarma No suena
• Preguntan por P(Ῑ/A) ?
Solución:
A P(A/I) = 0.97
I
Ᾱ P(Ᾱ/I) = 0.03
0.1
Ῑ
A P(A/Ῑ) = 0.02
Ᾱ P(Ᾱ/Ῑ) = 0.98
*
* *
Problema 4
Una planta tiene tres máquinas (M1, M2, M3) que
producen un mismo artículo. Las máquinas M2 y M3
tienen la misma velocidad de producción; mientras
que la máquina M1 tiene una velocidad que le
permite producir la misma cantidad que lo que
producen la M2 y M3 juntos. Además se conoce que
la máquina M1 produce el 2% de artículos
defectuosos, la M2 el 2% defectuosos y la M3 el 4%
de artículos defectuosos.
• Se toma un artículo de la producción del día al azar
y se pide determinar la probabilidad de que este
artículo:
a) Sea Defectuoso
b) No sea defectuoso
c) Sea defectuoso sabiendo que fue producido por
la máquina M1
d) Si el artículo que se elige es defectuoso ¿Cuál es
la probabilidad de que este artículo haya sido
producido por la M1?
3. Valor esperado de la información
imperfecta
• El valor esperado de la información imperfecta
(VEII) nos muestra cuál es la máxima cantidad
de dinero que un individuo está dispuesto a
pagar por obtener una información que le
indica, sin absoluta certeza, que ocurrirá con
una determinada variable (suceso).
3. Valor esperado de la información
imperfecta
Estados de la Naturaleza
Probabilidad 0,25 0,75
Alternativa Petróleo Seco VE
Perforar (P) 700 -100 100
Vender (V) 90 90 90
Ejemplo: (VEIM)
• Una exploración sismológica del terreno para
obtener una mejor estimación de la
probabilidad de que haya petróleo, cuesta 30
mil dólares.
• El estudio obtiene sondeos sísmicos que indican
si la estructura geológica es favorable para la
presencia de petróleo.
Valor esperado de la información de la
muestra
Revisión de Probabilidades de la IM:
• Los resultados posibles de la exploración se dividen en las siguientes categorías:
Probabilidades condicionales
0,25 0,75
Alternativa Petróleo Seco
SSD 0,4 0,8
SSF 0,6 0,2
Indicadores:
• SSD: sondeos sísmicos desfavorables; es poco probable encontrar petróleo.
• SSF: sondeos sísmicos favorables; es bastante probable encontrar petróleo.
• P(SSD/P) = 0,4 es la probabilidad condicional de que sea el SSD, dado que halla
petróleo
Solución
• Se debe determinar el valor esperado para
cada una de las alternativas:
Estados de la Naturaleza
Probabilidad 0,25 0,75
Alternativa Petróleo Seco VE
SSF
P(SSF/S) = 0,6
P
0,25
S
SSD
P(SSD/P) = 0,8
0,75
SSF
P(SSF/S) = 0,2
P(SSD) = P(P)*P(SSD/P) + P(S)*P(SSD/S) = 0.25*0.4 + 0.75*0.8 = 0.7
P(SSF) = P(P)*P(SSF/P) + P(S)*P(SSF/S) = 0.25*0.6 + 0.75*0.2 = 0.3
Aplicando Bayes
4. Valor esperado de la información de la
muestra
Identificación de la solución óptima
• Si el resultado es el SSD
E. Naturaleza
Probabilidad 0,14 0,86
Alternativa Petróleo Seco VE
Perforar (P) 700 -100 12
Vender (V) 90 90 90
• Si el resultado es el SSF
E. Naturaleza
Probabilidad 0,5 0,5
Alternativa Petróleo Seco VE
Perforar (P) 700 -100 300
Vender (V) 90 90 90
Identificación de la solución optima
Evento X P(X)
Gana 49000 1/100
Pierde - 1000 99/100
• El valor esperado es:
49000*(1/100) -1000*99/100 = -500
Árboles de decisión: Análisis: criterio del Valor
Monetario Esperado
Gana
49.000
(0,01)
Punto de
decisión
Juega la rifa
-500
Pierde -1000
(0,99)
No juega la rifa 0
Árboles de decisión:
Análisis: ejemplo de la rifa
COMPRAR
NO COMPRAR
PRUEBA
E
COMPRAR
NE
NO COMPRAR
CA
PRUEBA
CB
E
COMPRAR
NE E
COMPRAR
NE
NO COMPRAR
CA
NO COMPRAR
PRUEBA E
COMPRAR
NE
BC
NO COMPRAR
Colocar las probabilidades:
E
0,5
COMPRAR
NE E
0,5 0,82
COMPRAR
NE
NO COMPRAR
CA 0,18
0,55
NO COMPRAR
PRUEBA E
0,11
COMPRAR
NE
0,89
BC
0,45
NO COMPRAR
CÁLCULO DE PROBABILIDADES
P(CA/E) = 0,9
CA
E CB
0,5 P(CB/E) = 0,1
P(CA/NE) = 0,2
NE... CA
0,5
CB
P(CB/NE) = 0,8
P(CA) = P(E )* P(CA/E) + P(NE) * P(CA/NE)
P(E ) * P(CA/E)
P(E/CA) =
P(CA)
0,5 * 0,9
P(E/CA) =
0,5*0,9 + 0,5*0,2
0,45
P(CA) = = 0,81818.. = 0,82
0,55
COLOCAR RESULTADOS (UTILIDADES)
E
100
0,5
COMPRAR
NE E
….-100 100
0,5 0,82
COMPRAR
NE
NO COMPRAR -100
CA 0,18
0,55
NO COMPRAR
PRUEBA E
0,11 100
COMPRAR
NE
-100
0,89
BC
0,45
NO COMPRAR
EVALUACIÓN
E
100
0 0,5
COMPRAR
NE E
….-100 64 100
0,5 0,82
COMPRAR
35,2 NE
NO COMPRAR 64 -100
0 CA 0,18
0,55
NO COMPRAR 0
35,2
PRUEBA E
- 78 0,11 100
COMPRAR
NE
0 -100
0,89
BC
0,45
NO COMPRAR
0
RESPUESTA:
• El valor esperado (mejor) es 35,2 que sería el
beneficio esperado.
• Decisión:
• Realizar la prueba: extraer un pescado
• Si resulta ser un pescado de CALIDAD ALTA
(CA) entonces COMPRAR
• Si resulta ser un pescado de CALIDAD BAJA
(CB) entonces NO COMPRAR