Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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).
B B
B
PROBABILIDAD DE LA UNIÓN DE SUCESOS
Sucesos Excluyentes
Sucesos No Excluyentes
E espacio muestral
P( AB)
P( A | B) A
P( B) B
Probabilidad condicionada
A A
B
B
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:
A3 A4
A3 A4
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
A3 A4
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.
Pr(A3/B) = 0.2162
2.4. El valor de la información imperfecta (I)
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
0.565