Sesión 12.
4.4. Análisis de Decisiones con Información Muestral. Teorema de Bayes.
Antes de tomar una decisión, se suele buscar información que mejore nuestro proceso de toma de
decisiones haciendo más confiable nuestra elección. La información que nos ayuda a decidir mejor
recibe el nombre de INFORMACIÓN MUESTRAL, y puede obtenerse por diversos medios: un
estudio de mercado, una prueba de laboratorio, una investigación de la competencia, una encuesta
que mida la satisfacción de los clientes, etc.
Será necesario utilizar el análisis bayesiano para estimar las probabilidades frente a situaciones en
las que se cuente con información muestral.
Probabilidad a priori.- representa la posibilidad que un estado de naturaleza ocurra en un sentido
general. Se denota P(Ei) la probabilidad para el estado de naturaleza Ei.
Ejemplo:
Sean las probabilidades de los estados de la naturaleza relacionados a cierta demanda que puede
ser ALTA, BAJA o REGULAR, se denotan:
P (alta) = 0.3
P (baja) = 0.2
P (regular) = 0.5
Información muestral.- es la información extra que se puede conseguir mediante un estudio o
prueba realizada que tenga alguna relación con nuestros estados de la naturaleza. Los resultados de
un estudio o muestra pueden ser representados por indicadores diferentes.
Ejemplo:
Dado un estudio de mercado que nos predice si se tendrá ÉXITO o FRACASO analizando
demandas anteriores, las probabilidades resultantes del estudio se denotarán:
P (éxito / alta) = 0.75
P (éxito / baja) = 0.10
P (éxito / regular) = 0.60
P (fracaso / alta) = 0.25
P (fracaso / baja) = 0.90
P (fracaso / regular) = 0.40
Probabilidad condicional.- representa la posibilidad de un evento particular dado que otro evento
que ocurre antes lo condiciona. En el análisis de Bayes se representa la probabilidad de un
indicador del estudio (resultado) dado un estado particular de naturaleza. La probabilidad
condicional puede ser una indicación de la fiabilidad de la información de la muestra.
Ejemplo:
Empleando los datos iniciales y la información muestral, se aplica el teorema de Bayes para
calcular las probabilidades condicionadas (mejoradas por el estudio de mercado):
Para un pronóstico de ÉXITO
Ei P (Ei) P (éxito/Ei) P (éxitoEi) P (Ei/éxito)
Alta 0.3 0.75 0.225 0.4128
Baja 0.2 0.10 0.020 0.0367
Regular 0.5 0.60 0.300 0.5505
0.545
Para un pronóstico de FRACASO
Ei P (Ei) P (fracaso/Ei) P (fracasoEi) P (Ei/fracaso)
Alta 0.3 0.25 0.075 0.1648
Baja 0.2 0.90 0.180 0.3956
Regular 0.5 0.40 0.200 0.4396
0.455
En el tablero…
El valor 0.4396 corresponderá a la probabilidad de tener una demanda regular, dado que el
estudio de mercado nos dio un pronóstico de fracaso.
Valor esperado de la información muestral.
2
VEIM = │VE con IM – VE sin IM│j
Dónde:
VE con IM es el resultado que se obtiene en el nodo en que
recibimos la información muestral. AL CALCULAR EL VEIM,
NO SE DEBE INCLUIR EL
VE sin IM es el resultado que nos hizo elegir una de las COSTO DEL ESTUDIO.
alternativas de decisión cuando al evaluar el árbol sin
información muestral.
Su interpretación dependerá del contexto en el que se desarrolle el análisis.
Eficiencia de la información muestral:
VEIM VEconIM VE sin IM
Eff *100% *100%
VEIP VEconIP VE sin IP
La firma de manufactura MOSCOSO debe decidir si adquirir un determinado componente de
un proveedor o si fabricarlo en su planta de Huachipa. Si la demanda es alta, le convendría
fabricar el componente. Sin embargo, si la demanda es reducida, el costo de manufactura por
unidad para la firma MOSCOSO sería elevado debido a la sub-utilización del equipo. Las
utilidades proyectadas, en miles de soles, para la decisión de fabricar o comprar es la que se
muestra a continuación:
Gráfico 3.5. Matriz de pagos
Alternativas de Estados de la Naturaleza (DEMANDA)
Decisión Baja Media Alta
Fabricar -20 40 100
Comprar 10 45 70
Elaboración propia
Los estados de la naturaleza tiene las siguientes probabilidades: P(demanda baja) = 0.35,
P(demanda media) = 0.35 y P(demanda alta) = 0.30.
Se está evaluando la posibilidad de encargar un estudio de mercado sobre la demanda potencial
del producto que reporte una condición favorable (F) o desfavorable (D). Por experiencias
similares se conoce que las probabilidades condicionadas relevantes:
P(F/DBaja) = 0.10 P(D/DBaja) = 0.90
P(F/DMedia) = 0.40 P(D/DMedia) = 0.60
P(F/DAlta) = 0.60 P(D/DAlta) = 0.40
a) Construya el árbol de decisiones correspondiente al caso descrito.
b) Determine la estrategia óptima de decisión de la firma MOSCOSO.
c) ¿Cuál es el valor esperado de la información muestral? Interprete.
d) ¿Cuál es el valor esperado de la información perfecta? Interprete.
e) ¿Cuál es la eficiencia de la información muestral?
Para ahorrar en gastos, Irene y Sebastián acordaron compartir el automóvil para ir y regresar del
trabajo. Irene prefiere ir por la Av. Benavides o por la Av. Angamos, Sebastián prefiere ir por la
Vía Expresa de Javier Prado que suele ser más rápida. La matriz de pagos proporciona la
estimación de tiempo en minutos para el viaje de ida o de regreso:
Gráfico 3.6. Matriz de pagos
Alternativas de decisión Estados de la naturaleza
Ruta a tomar Tráfico normal Tráfico pesado
Vía Expresa Javier Prado 20 50
Avenida Benavides 35 45
Avenida Angamos 40 40
Elaboración propia
Basándose en su experiencia han establecido que ambos estados de tráfico tienen igual
probabilidad de ocurrencia.
Por otro lado, observaron que el clima parecía afectar las condiciones de tráfico por lo que han
decidido fijarse en el estado del tiempo antes de tomar una decisión. En esta época del año han
identificado dos pronósticos climáticos: despejado y nublado, con las siguientes probabilidades
condicionales:
P(Despejado/tráfico normal) = 0.65 P(Nublado/tráfico normal) = 0.35
P(Despejado/tráfico pesado) = 0.2 P(Nublado/tráfico pesado) = 0.8
a) Construya el árbol de decisiones correspondiente al caso descrito.
b) Determine la estrategia óptima de decisión.
c) ¿Cuál es el valor esperado de la información muestral?
d) Calcule e interprete el valor esperado de la información perfecta.
e) ¿Cuál es la eficiencia de la información muestral?
