FACULTAD DE INGENIERÍA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

Asignatura: HERRAMIENTAS PARA LA TOMA DE DECISIONES

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

• Desde el punto de vista matemático se puede demostrar que

con el Cálculo de Probabilidades se puede representar de
modo numérico el conjunto racional de creencias, de modo
que existe una relación entre probabilidad y e información.

• La regla de Bayes proporciona un modo natural de

actualización de las creencias cuando aparece nueva
información. Este proceso de aprendizaje inductivo por medio
de la regla de Bayes es la base de la Inferencia Bayesiana.
1. Introducción

• La diferencia fundamental entre la

estadística clásica (frecuentista) y la
bayesiana es el concepto de probabilidad.
Para la estadística clásica es un Concepto
objetivo, que se encuentra en la
naturaleza, mientras que para la
estadística bayesiana se encuentra en el
observador, siendo así un concepto
subjetivo.
1. Introducción

• De este modo, en estadística clásica solo

se toma como fuente de información las
muestras obtenidas suponiendo, para los
desarrollos matemáticos, que se pueden
tomar tamaños límite de las mismas. En el
caso bayesiano, sin embargo, además de
la muestra también juega un papel
fundamental la información previa o
externa que se posee en relación a los
fenómenos que se tratan de modelizar.
2. TEOREMA DE BAYES
• Sean {A1, A2, A3, … An}; un conjunto de sucesos
mutuamente excluyentes que pertenecen a un
espacio muestral Ὡ, donde: p(Ai) ≠ 0.
• Sea B un suceso cualquiera del que se conocen las
probabilidades p(B/Ai); entonces las probabilidades
p(Ai/B); se pueden calcular mediante la siguiente
expresión:
 P(B/A1)
PROBAB. A
PRIORI ..B

A1 C P(C/A1)
PROBAB.
...P(A1)
CONDICIONALES
P(B/A2)
A2...
P(A2) B...

C P(C/A2)

P(B) = P(A1) * P(B/A1) + P(A2) * P(B/A2)

 TEOREMA DE BAYES
A:
• p(Ai): Son las probabilidades a priori

• p(Ai/B): Son las probabilidades a posteriori

(BAYES)

• p(B/Ai): Son las probabilidades condicionales.

Probabilidad que ocurra B cuando ya
ocurrió Ai
Problema 1:
Tres máquinas A, B y C, producen el 45%, 30% y 25%,
respectivamente, del total de las piezas producidas en una
fabrica. Los porcentajes de producción defectuosa de estas
máquinas son del 3%, 4% y 5%.
a) Seleccionemos una pieza al azar; calcular la probabilidad
de que sea defectuosa.
b) Calcular la probabilidad de que una pieza producida por
B sea defectuosa
c) Tomamos, al azar, una pieza y resulta ser defectuosa;
calcula la probabilidad de haber sido producida por la
máquina B.
d) ¿Que máquina tiene la mayor probabilidad de haber
producido la citada pieza defectuosa?
Sea
• D: Pieza defectuosa
• N: Pieza no defectuosa
• A : Máquina A
• B: Máquina B
• C: Máquina C
La información del problema puede expresarse en el
diagrama de árbol adjunto:
D
P(D/A) = 0.03

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:

a) Para calcular la probabilidad de que la

pieza sea defectuosa, P(D), por la
propiedad de la probabilidad total.
b) Calcular la probabilidad de que una pieza
producida por B sea defectuosa:

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.

Calcular P(B/D)=? Por el teorema de Bayes

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)

P(B/D)= = 0,3157895 = 0,316

d) ¿Que máquina tiene la mayor probabilidad de
haber producido la citada pieza defectuosa?

Cálculo P(A/D) y P(C/D) comparándola con el

valor P(B/D) ya calculado
0,0135
P(A/D) = = 0,355
0,038

P(C/D) = 0,0125 = 0,329

0,038

Por lo tanto la máquina con mayor

probabilidad de haber producido la pieza
defectuosa es A.
Problema 2:

En una empresa están catalogadas los integrantes de la siguiente

manera: “Directivos”, “Mandos Medios” y “Mandos bajos”, siendo
su población en porcentajes de 15%, 65% y 20%. Según esta
distribución la posibilidad de que un talento humano renuncie para
trasladarse a otra multinacional de la competencia es: directivos
5%, mandos medios 15% y apoyo 10%.
a) ¿Cuál es la probabilidad de que sea un Directivo el que no se
traslade?
Solución:

• 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

• El VEII será, por tanto, la diferencia entre lo que

ganaría contando con esa información
proveniente de encuestas, estudio de mercado
y lo que obtendría careciendo de ella.

Valor esperado Ganancia esperada Ganancia esperada sin

de la Información = con información de la  - información de la
Imperfecta muestra muestra
4. Valor esperado de la información de la
muestra

• El objetivo de la Investigación de mercados

(IM) es el de ayudar al administrador a
realizar estimaciones de probabilidad más
precisas.
4. Valor esperado de la información de la
muestra

• El propósito de la I.M. es diseñar y llevar a cabo

una investigación que tenga como resultado un
indicador descriptivo o estimación del proyecto
propuesto.
• El indicador puede ser una recomendación
“favorable” (I1) o “desfavorable” (I2) para el
proyecto.
VALOR ESPERADO DE UNA
ALTERNATIVA DE DECISIÓN
Ejemplo: (VEIM)
Ejemplo:
• Una compañía tiene un terreno, el cual debe Perforar (P) o
Vender (V), al consultarle a un geólogo, este ha informado
que existe la probabilidad de 0.25 de encontrar petróleo.
• Los ingresos (en miles de dólares) por alguna de estas
alternativas se presenta en la tabla siguiente:

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

Perforar (P) 700 -100 100

Vender (V) 90 90 90
• Se debe determinar las probabilidades de SSD y SSF
teniendo en cuenta que si hay Petróleo o no (a
posteriori); es decir:
• P(SSD/P)
• P(SSD/S)
• P(SSF/P)
• P(SSF/S)
• Para evaluar el VE de la muestra, a posteriori.
• Y para esto debe utilizarse Bayes, puede usarse el
árbol.
 SSD P(SSD/P) = 0,4

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

VE con Est. = P(SSD) x VE(SSD) + P(SSF) x VE(SSF)

= (0,7) (90) + (0,3) (300)
= 63 + 90
=153

VE sin Est. =100

VE Est. = 153 – 100 = 53

Como este valor de $ 53000 excede a $30000

el costo del estudio la experimentación debe
realizarse.
 ÁRBOLES DE DECISIÓN
• Consiste en un GRAFO, o esquema con nodos y
ramas, donde se ordenan en forma cronológica
todos los momentos en que debe tomarse una
decisión o acontece un evento aleatorio, indicando
al final los resultados de una decisión.
• Es una de las dos herramientas básicas del modelo
general de decisión, que pueden ser utilizadas para
esquematizar cualquier tipo de decisión (la otra
herramienta básica es la Matriz de Ganancias).
Símbolos
MOMENTO DE DECISIÓN
EVENTOS ALEATORIOS
CONSTRUCCIÓN DEL ÁRBOL
• Se desarrolla de izquierda a derecha indicando en forma
secuencial todos los momentos de decisión y los momentos
de acontecimiento de un evento aleatorio.
• Luego se colocan al final de las ramas los resultados
acumulados después de sortear todas las vicisitudes desde el
inicio del proceso.
• Se evalúa de atrás hacia delante reconociendo la influencia de
las decisiones y eventos aleatorios últimos sobre los primeros.
• En los nodos de decisión se elige la mejor alternativa.
• En los eventos aleatorios se indica el criterio usado para
evaluar los resultados posteriores (valor esperado, minimax,
etc.).
Valor esperado: Ejemplo 1

• Suponga que usted compra en S/.1000 uno de los 100

tickets o números de una rifa, la cual paga un premio de
S/.50000.
• Hay dos eventos posibles:
• Usted gana la rifa, o
• Pierde
• ¿Cuál es el valor esperado del juego?
• La distribución de probabilidades es:

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

• Generalmente se inicia de derecha a izquierda,

calculando cada pago al final de las ramas.
• Luego en cada nodo de evento se calcula un valor
esperado.
• Después en cada punto de decisión se selecciona la
alternativa con el valor esperado óptimo.
Árboles de decisión: Análisis: ejemplo de la rifa

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

• En el nodo de evento se calculó el valor esperado de

jugar la rifa.
• Luego se selecciona, en este caso el valor más alto (por
ser ganancias).
• En este caso la decisión es no jugar la rifa.
Un empresario adquiere pescado fresco en el
mercado central para su posterior venta.
Cada caja de pescado la identifica como
excelente o no excelente en función del
porcentajes de pescado que se considera de
calidad excelente.
Una caja de pescado excelente contiene un 90%
de pescado de alta calidad, mientras que una
caja de pescado no excelente contiene solo un
20% de pescado de alta calidad.
Una caja de pescado excelente genera un
beneficio de 100 dólares, mientras que una
caja de pescado no excelente causa unas
pérdidas de 100 dólares por la mala imagen
de la empresa que se llevan los clientes.
Antes de comprar una caja el empresario
puede comprobar la calidad de la misma
extrayendo un ejemplar de pescado con el
objetivo de verificar si se trata o no de
pescado de alta calidad.
• Establezca la estrategia que debe seguir el
empresario.
• ¿Qué decision deberá tomar?
SOLUCIÓN
• Comprar: COMPRAR
• No comprar: NO_COMPRAR
• Realiza la prueba: PRUEBA
• Si la caja es excelente: E
• Si la caja no es excelente: NE
• Si el pescado extraído en la prueba es:
• De calidad alta: CA
• De calidad baja: CB
Definir:
ALTERNATIVAS ESTADOS DE NATURALEZA
E
COMPRAR
NE
NO COMPRAR
CA
PRUEBA
CB
CONSTRUCCIÓN DEL ÁRBOL

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(CA) = 0,5*0,9 + 0,5 * 0,2 = 0,55

P(CB) = P(E )* P(CB/E) + P(NE) * P(CB/NE)

P(CB) = 0,5*0,1 + 0,5*0,8 = 0,45

P(E ) * P(CA/E)
P(E/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