Modelos de Decision teorema de

bayes
 Experimentos
Determinísticos

 Aleatorios

AZAR
E1 Se arroja un dado :
Si observamos su cara superior, el conjunto de
resultados posibles es

Ω: { 1, 2, 3, 4, 5, 6 }
 Experimentos-Espacio Muestra

E2 Se arrojan dos dados y se observa la

suma de sus caras.

Ω 2,3,4,5,6,7,8,9,10,11,12
 Ejemplo : Sea el experimento arrojar dos dados. El
conjunto de resultados posibles es:

Ω
A= {(x,y)/ x = 1, 2 .. 6, y = 1, 2 .. 6 }

6 Ω
5
A = {(x,y) / x + y = 5 }
4

3
A = {(1,4), (2,3), (3,2),
2
(4,1)}
1
A

1 2 3 4 5 6
 Se llama suceso unión de A y B, AUB, al formado
por los resultados experimentales que están en A o en B
(incluyendo los que están en ambos).

E espacio muestral E espacio muestral

UNIÓN
A A

B B

Se llama suceso intersección de A y B, A∩B o simplemente

AB, al formado por los resultados experimentales que están
simultáneamente en A y B
E espacio muestral
INTERSEC.
A

B
 PROBABILIDAD DE LA UNIÓN DE SUCESOS

Sucesos Excluyentes

P (AB) = P(A) + P(B), si AB =

P (AB C) = P(A) + P(B) + P(C), si ABC =

Sucesos No Excluyentes

P (AB) = P(A) + P(B) - P(AB)

 PROBABILIDAD CONDICIONAL

Se llama probabilidad de A condicionada a B, o probabilidad de A

sabiendo que pasa B:

E espacio muestral

P( AB)
P( A | B)  A
P( B) B
 Probabilidad condicionada

A A

B
B

P(A) = 0,25 P(A) = 0,25

P(B) = 0,10 P(B) = 0,10
P(AB) = 0,10 P(AB) = 0,08
¿Probabilidad de A dado B?
P(A|B)=1 P(A|B)=0,8
 Probabilidad condicionada

A A

P(A) = 0,25
P(A) = 0,25
P(B) = 0,10
P(B) = 0,10
P(AB) = 0,005
¿Probabilidad de A dado B? P(AB) = 0
P(A|B)=0,05 P(A|B)=0
Dos sucesos son independientes si la ocurrencia de
uno no añade información sobre el otro. En lenguaje
probabilístico:

– A indep. B  P(A|B) = P(A)

Dicho de otra forma:

– A indep. B  P(AB) = P(A) P(B)
 Sistema exhaustivo y excluyente de sucesos

Son una colección de sucesos

A1 A2
A1, A2, A3, A4…

A4 Tales que la unión de todos ellos forman

A3 el espacio muestral, y sus intersecciones
son disjuntas.
 Todo suceso B, puede ser
A1 A2
descompuesto en componentes
de dicho sistema.

B B = (B∩A1) U (B∩A2 ) U ( B∩A3 ) U ( B∩A4 )

A3 A4

Nos permite descomponer el problema B en subproblemas

 Teorema de la probabilidad total
A1 A2
Si conocemos la probabilidad de B en
cada uno de los componentes de un
sistema exhaustivo y excluyente de
sucesos, entonces…
B
… podemos calcular la probabilidad de B.

A3 A4

P(B) = P(B∩A1) + P(B∩A2 ) + P( B∩A3 ) + ( B∩A4 )

=P(B|A1) P(A1) + P(B|A2) P(A2) + …

Ejemplo: En este aula el 70% de los alumnos son mujeres. De ellas el
10% son fumadoras. De los varones, son fumadores el 20%.

¿Qué porcentaje de fumadores hay en total?

T. Probabilidad Total.
P(F) = P(F∩H) + P(F∩M)
Hombres y mujeres forman
= P(F|H) P(H) + P(F|M) P(M) Un Sist. Exhaustivamente
=0,2 x 0,3 + 0,1 x 0,7 Excluyentes De sucesos
= 0,13 =13%
¿Seelije a un individuo al azar y resulta
fumador. ¿Cuál es la probabilidad de que sea un hombre?

T. Bayes Mujeres
Varones
– P(H|F) = P(F ∩ H)/P(F)
= P(F|H) P(H) / P(F)
= 0,2 x 0,3 / 0,13
= 0,46 = 46% fumadores
 Expresión del problema en forma de árbol
Fuma
0,1

Mujer P(F) = 0,7 x 0,1 + 0,3x0,2

0,7 0,9
No fuma
P(H | F) = 0,3x0,2/P(F)
Estudiante

0,3 0,2 •Los caminos a través de nodos

Fuma
Hombre representan intersecciones.

•Las bifurcaciones representan

0,8 uniones disjuntas.
No fuma
 Teorema de Bayes
A1 A2

Si conocemos la probabilidad de B en cada uno

de los componentes de un sistema exhaustivo y
excluyente de sucesos, entonces…
B
…si ocurre B, podemos calcular la
probabilidad (a posteriori) de ocurrencia de
cada Ai.

A3 A4

P(B) se puede calcular usando el teorema

de la probabilidad total:
P(B Ai)
P(Ai | B)  P(B)=P(B∩A1) + P(B∩A2 ) + P( B∩A3 ) + ( B∩A4 )
P(B)
=P(B|A1) P(A1) + P(B|A2) P(A2) + …
¿Cómo Agregar Nueva Información?

Muchas veces la toma de decisiones con base en la

experiencia y en el juicio, no son suficientes para poder
llegar a conclusiones satisfactorias que me lleven a
decisiones útiles para las empresas.
En estos casos es conveniente realizar algún tipo de
investigación que me lleve a mejorar el conocimiento
del fenómeno y me permita tomar mejores decisiones
 ¿Cómo Agregar Nueva Información?
En estos casos cualquier investigación de mercados que la
empresa realice, busca mejorar la estimación de
probabilidades de la ocurrencia de los eventos a los cuales
se enfrenta.
Estas probabilidades “mejoradas”, representan el posible
resultado de un evento dado la ocurrencia de otro evento,
osea, estamos hablando de probabilidades condicionales.
El Teorema de Bayes es por excelencia la herramienta
más útil en la estadística para estimar dichas
probabilidades
Probabilidades 0.3 0.3 0.4
Ejemplo del teorema de Bayes.
Se ha nominado ha tres miembros de un club privado nacional
para ocupar la presidencia del mismo. La probabilidad de que se
elija al señor Adams(A1) es de 0.3; que se elija al señor Brown(A2)
es de 0.5 y de que gane la señora Cooper(A3) es de 0.2. En caso
de que se elija al señor Adams, la probabilidad de que la cuota de
ingreso aumente(B) es de 0.8; si se elije al señor Brown o a la
señora Cooper, las correspondientes probabilidades de que se
incremente la cuota(B) son de 0.1 y 0.4. ¿Cuál es la probabilidad
de que haya un incremento en la cuota?
Si alguien considera entrar al club pero retrasa su decisión por
varias semanas sólo para encontrarse con que las cuotas de
entrada han aumentado, ¿cuál es la probabilidad de que se haya
elegido a la señora Cooper como presidenta del Club?
 El teorema de Bayes

En función de las probabilidades condicionales, nos queda

Medición del futuro, representado por el evento

B A 1
Pr( A1 )
Pr( B / A 1) 0.8
0.3

A2 B
Pr( A2 ) 0.5 Pr( B / A 2 ) 0.1
n
.
Pr( B )   Pr( B / Ai ) Pr( Ai )
. i 1
Pr( A3 ) Pr( B / A 3)
0.2 . 0.4

A3
Este cálculo es para medir la incertidumbre de la ocurrencia del
evento B.
 El teorema de Bayes

A1

A2 B
.
. Supongamos ahora que B
. ocurre.

A3 ¿Cuál de los sucesos Aj ha

ocurrido?
De otra forma, ¿cuál es el valor de Pr( A j / B) con j =
1, 2, 3?
 El teorema de Bayes

Este cálculo es para medir la incertidumbre de la ocurrencia del

evento B.
Pr( B / Aj )  Pr( Aj )
Pr( Aj  B) Pr( B / Aj )  Pr( Aj ) Pr( A j / B) 
Pr( A j / B )   n
Pr( B ) Pr( B)  P( B / A )  Pr( A )
i 1
i i

Medición del pasado, representado por el evento A3

(Pr B / A3 ).(Pr A3 ) 0.4 * 0.2

Pr(A3/B) = 3

0.8 * 0.3  0.1* 0.5  0.4 * 0.2
 (Pr B / A
J 1
J ).(Pr AJ )

Pr(A3/B) = 0.2162
2.4. El valor de la información imperfecta (I)

La información adicional no siempre es perfecta, muchas veces

los estudios que se encargan a consultoras especializadas
presentan un margen de error. La información adicional obtenida
de estos informes mejora la probabilidad obtenida de la
ocurrencia de un determinado estado de la naturaleza y ayuda al
tomador de decisiones a escoger la mejor opción.

La estadística Bayesiana construye un modelo a partir de la

información adicional obtenida a partir de diversas fuentes que
nos permite calcular la Ganacia Esperada con la Información
Adicional (GECIA) y la Ganancia Esperada de la Información
adiciona (GEIA)
 El valor de la información imperfecta (II)
El teorema de Bayes:
P ( E j / Ai )  probabilidad revisada
P ( E j ) * P( Ai / E j ) P ( E j )  probabilidad a priori
P( E j / Ai )  n
P ( Ai / E j )  probabilidad condicionada
 P( E ) * P( A / E )
i 1
j i j
n

 P( E ) *P( A / E )  sumatoria probabilidad conjunta

i 1
j i j

Ejemplo de Jhon Pérez: Supongamos que hemos contratado

un informe adicional que nos indica la probabilidad de
ocurrecia de una gran alza, pequeña alza, etc. condicionada
a que el crecimiento económico sea positivo o negativo.
Los resultados se pueden ver en la siguiente tabla.
ESTADOS DE LA NATURALEZA
ALTERNATIVAS Gran pequeña sin pequeña Gran
alza alza cambios baja baja
Probabilidad Crec. Positivo 0,800 0,700 0,500 0,400 0,000
Condicionada Crec, Negat. 0,200 0,300 0,500 0,600 1,000
 El valor de la información imperfecta (IIi)
Reconstruimos la información para mejorar la información:

EL CRITERIO DE LA GANACIA ESPERADA CON INFORMACIÓN ADICIONAL

ESTADOS DE LA NATURALEZA Gan. Esp. Gan. Esp.

ALTERNATIVAS Gran pequeña sin pequeña Gran a priori Revisada
alza alza cambios baja baja Cre. Posi. Crec. Neg.
Oro -100 100 200 300 0 100 84 120
Bonos 250 200 150 -100 -150 130 179 67
Negocio 500 250 100 -200 -600 125 249 -33
Cert. de depósito 60 60 60 60 60 60 60 60
Acciones 200 150 150 -200 -150 95 139 39
Probabilidad 0,2 0,3 0,3 0,1 0,1 ∑=1
Probabilidad Crec. Positivo 0,800 0,700 0,500 0,400 0,000
Condicionada Crec, Negat. 0,200 0,300 0,500 0,600 1,000
Probabilidad Crec. Positivo 0,160 0,210 0,150 0,040 0,000 0,560
Conjunta Crec. Negat. 0,040 0,090 0,150 0,060 0,100 0,440
Probabilidad Crec. Positivo 0,286 0,375 0,268 0,071 0,000 1,000
Revisada Crec. Negat. 0,091 0,205 0,341 0,136 0,227 1,000
m
E ( X ij ) a posteriori o revisada 
n
X
j 1
ij  Pj
m
GECIA    Max[ E ( X ij ) a posteriori  *  P ( E j ) *P ( Ai / E j )  249  0,56  120  0, 44  193
i 1  100  0,286  100 j 1  0,375  200  0,268  300  0,071  0  0  84

probabilidad conjunta  P( E j ) * P( Ai / E j )  0,80*0, 20  0,16

P( E j ) * P ( Ai / E j ) 0,16
GEIA  GECIA PMax
( E j [/EA(i )X ) n
ij

a priori ]  193  130  63 0,56
 0, 286
 P( E j ) * P( Ai / E j )
i 1
 El valor de la información imperfecta (IIi)
Reconstruimos la información para mejorar la información:

EL CRITERIO DE LA GANACIA ESPERADA CON INFORMACIÓN ADICIONAL

ESTADOS DE LA NATURALEZA Gan. Esp. Gan. Esp.

ALTERNATIVAS Gran pequeña sin pequeña Gran a priori Revisada
alza alza cambios baja baja Cre. Posi. Crec. Neg.
Oro -100 100 200 300 0 100 84 120
Bonos 250 200 150 -100 -150 130 179 67
Negocio 500 250 100 -200 -600 125 249 -33
Cert. de depósito 60 60 60 60 60 60 60 60
Acciones 200 150 150 -200 -150 95 139 39
Probabilidad 0,2 0,3 0,3 0,1 0,1 ∑=1
Probabilidad Crec. Positivo 0,800 0,700 0,500 0,400 0,000
Condicionada Crec, Negat. 0,200 0,300 0,500 0,600 1,000
Probabilidad Crec. Positivo 0,160 0,210 0,150 0,040 0,000 0,560
Conjunta Crec. Negat. 0,040 0,090 0,150 0,060 0,100 0,440
Probabilidad Crec. Positivo 0,286 0,375 0,268 0,071 0,000 1,000
Revisada Crec. Negat. 0,091 0,205 0,341 0,136 0,227 1,000

n m
GECIA    Max[ E ( X ij ) a posteriori  *  P ( E j ) *P ( Ai / E j )  249  0,56  120  0, 44  193
i 1 j 1
m
E ( X ijprobabilidad
) a posteriori o revisadaconjunta
  X ij   Pj PP((E ) * P( A / E )  0,80*0, 20  0,16
E jj) * P ( Ai / Ei j ) j 0,16
GEIA  GECIA PMax (j E1 j [/EA(i )X ) n ]  193  130  63   0, 286
ij a priori 0,56
 100  0,286
i 1
P100 ( E j)0*,375
P ( Ai/ 200
E j )  0,268  300  0,071  0  0  84
Ejemplo de Árbol de Decisiones y Bayes
1)Jarry Pizza ha tenido mucho éxito con su forma
novedosa de fabricar y vender pizzas a los estudiantes
de la UTP. Al mezclar los principales ingredientes de
las pizzas y hornearlas por anticipado ha podido lograr
que el tiempo de espera de sus clientes sea muy breve.
Aunque a los estudiantes les gusta mucho su método,
y se han vendido una gran cantidad de pizzas, en
ocasiones la empresa se ha visto obligada a tirar una
gran cantidad de ellas debido a que la demanda fue
inferior a lo que habían anticipado. Por esta razón se
está buscando una política que le permita maximizar
sus utilidades.
JARRY ha reducido sus alternativas a sólo dos
posibilidades: hornear 150 o 180 pizzas.
La administración decide clasificar la condición del
mercado en fuerte o débil utilizando una probabilidad con
base en su experiencia de 45% y 55% respectivamente.
La empresa ha determinado que gana $7 por cada pizza
vendida y el costo de cada pizza es de $3. Se debe
pagar $1 por cada pizza desechada.
Debido ha que JARRY se encuentra en una población
universitaria un profesor de la Facultad de sistemas ha
ofrecido utilizar una prueba experimental y cobrar $5 por
ella.
El profesor ha dispuesto comunicar si la prueba es
alentadora o desalentadora. Los resultados de las
pruebas han demostrado la tendencia a actuar en la
dirección correcta, si un mercado ha sido fuerte los
resultados de la prueba han sido alentadores en un
60% de las veces. Por el contrario, si el mercado ha
sido débil, los resultados de las pruebas han sido
desalentadores en el 70% de las veces.
Resuelva por medio de un árbol de decisiones
utilizando el criterio bayesiano de decisión.
 Árboles -Bayes
• OBJETIVO: Incorporar los resultados de un registro
histórico en la investigación de mercados al proceso de
decisión, utilizando el Teorema de Bayes, actualizando
así los valores para el caso específico de P(F) y P(D).
• El registro histórico de la mercadotecnia no es perfecta,
pues si fuera totalmente confiable, esta probabilidad
condicional sería igual a 1, esto es, siempre daría un
informe alentador cuando el mercado fuera de hecho
fuerte.
 Arboles - VEIM
• Valor Esperado de la Información de Muestra
(VEIM): Es un límite superior en la cantidad que
deberíamos estar dispuestos a pagar por esta
información de muestra en particular.
• VEIM = Máximo Rendimiento esperado con
Información - Máximo Rendimiento esperado sin
Información.
• VEIM = 607.63 – 600 = $ 7.63
 Arboles - VEIP
• Valor Esperado de la Información Perfecta
(VEIP):Es un límite superior para la cantidad que
usted debería estar dispuesto a pagar para
mejorar su conocimiento sobre el estado de la
naturaleza que ocurrirá.
• El VEIP indica la cifra esperada a ganar por
llevar a cabo este esfuerzo y por lo tanto coloca
un límite superior a la cifra que debería ser
invertida para reunir esa información.
 Arboles - VEIP

- Si fuera seguro que el mercado será fuerte, la Administración

seleccionaría la opción (A), pues presenta el mayor rendimiento.
- Si fuera seguro que el mercado es débil, la Administración
seleccionaría la opción (B)
 Arboles - VEIP
• ¿ Cuanto debe pagar la administración por la
Información Perfecta?
– VEIP = 720*0.45 + 600*0.55 – 600 = $54
• Este valor, es el máximo aumento posible en el
rendimiento esperado que se puede obtener con nueva
información.
• Con VEIM= $7.63 se obtuvo un incremento en el
rendimiento esperado utilizando prueba en el mercado
 Arboles - VEIP
• Dado que VEIP = 54 y VEIM = 7.63, podemos
ver que la prueba de mercado no es eficiente.
• Si lo fuera, el valor de VEIM sería mucho más
cercano al de VEIP.
• En otras palabras, conforme la probabilidades
de una correcta información de muestra
aumentan VEIM se aproxima a VEIP.
 Protac

Acaba de completarse la fase de diseño y

prueba de producto para la nueva línea de
tractores para jardín y uso doméstico de Protac.
La alta gerencia está tratando de decidir la
estrategia de mercadotecnia y producción
apropiadas para usarse con este producto. Se
están considerando tres alternativas principales:
1) Agresiva: Esta estrategia representa importantes
desembolsos de capital para una nueva y eficiente
planta de producción, grandes cantidades de
inventario y de gastos de publicidad y mercadeo a
nivel nacional.
2) Básica: Los tractores se fabricarían con la actual
planta de producción a la cual se le añadiría una
nueva línea de ensamble, se mantendrían inventarios
solo para los productos más populares y las oficinas
centrales pondrían fondos a disposición para apoyar
esfuerzos locales de publicidad y mercadeo.
3)Cautelosa: En este plan, la capacidad sobrante de las
actuales líneas de ensamble se utilizarían para fabricar los
nuevos productos, la producción se programaría solo para
satisfacer la demanda y la publicidad correría a cargo del
distribuidor local. La administración decide clasificar la
demanda del producto como débil (D) o fuerte (F), a
continuación se presenta una tabla con las utilidades y la
estimación de las probabilidades hecha por la gerencia de
mercadeo:
0.435

0.565