Professional Documents
Culture Documents
Ingeniera de Sistemas
Anlisis de Decisiones
Modelo Bayesiano: Decisiones en Condiciones de Riesgo
Se ha estudiado el VIP
Se puede tener informacin perfecta?
Experiencia
Empresa consultora Resultados positivos y negativos
Historial de predicciones
Pronstico de la Decisin
Mejores Decisiones
Modelo de Decisin
I1 I2 I3 In
Informacin
In
I3
I2
I1
Tiempo
Qu sucede y cambia la informacin?
I1 (A, P) VEM(optimo)1
I2 (A, P) VEM(optimo)2
I3 (A, P) VEM(optimo)3
VEM(3)>VEM(2)>VEM(1)
Fundamento del Modelo Bayesiano
Informacin
a priori + Nueva
Informacin = Informacin
a posteriori
Probabilidad
a priori + Probabilidad
Condicionada = Probabilidad
a posteriori
Probabilidad condicionada
Se llama probabilidad de A
condicionada a B, o probabilidad
de A sabiendo que pasa B: E espacio muestral
P(A B)
P(A | B) = A
P(B) B
Error frecuente:
No confundir probabilidad condicionada con interseccin.
En ambos medimos efectivamente la interseccin, pero
En P(AB) con respecto a P(E)=1
En P(A|B) con respecto a P(B)
Ejemplos
P(A)=3/9=1/3
E espacio muestral
P(B)=5/
A 9
P(AUB)=6/9=2/
3
P(AB)=2/9
B
P(A)=3/9=1/3
P(A)=6/9=2/3 E espacio muestral
P(B)=2/
P(B)=4/9 A
9
P(AUB)=3/9=1/
P(A|B)=?P(B|A)=2/3
P(A|B)=2/5 P(B|A)=? 3
B
P(AB)=2/9
P(A)=6/9=2/3
P(A)=3/9=1/3
E espacio muestral
P(B)=7/9
P(B)=2/ P(A|B)=? P(B|A)=2/3
P(A|B)=1 P(B|A)=?
A 9
P(AUB)=5/9
B
P(AB)=0
P(A)=6/9=2/3
P(B)=7/9
P(A|B)=?
P(A|B)=0 P(B|A)=?
P(B|A)=0
Teorema de Bayes
Si conocemos la probabilidad de B en
cada uno de los componentes de un
A1 A2 sistema exhaustivo y excluyente de
sucesos, entonces
P(B | A)P(A)
P(A | B)
A3 A4
P(B)
P(B | A)P(A)
P(A | B)
P(B)
P(B | A)P(A)
P(A | B)
P(B | A1) P(A1) P(B | A2) P(A2)
Mtodo General Bayesiano
2. Estados Muestrales 1, 2, 3, 4,
Proporcionan informacin de posible realizacin de e1
Informacin histrica
Estado e1 1 P(1 |e1)
Estado e2 2 P(2 |e2)
3. Matriz de Informacin I
P(1 |e1) P(2 |e1) P(m |e1)
P(1 |e2) P(2 |e2) P(m |e2)
I=
.
P(1 |em) P(2 |em) P(m |em)
P(e1 | j )
P(e2 | j )
P(j)=
P(em | j )
Mtodo General Bayesiano
= 1 1 + 2 (2)++ m (m)
= j j
=1
Valor de la Informacin Imperfecta
VIM
VIM(I)=VEMIM(I)-VEM(*)
VIM(I)>0
Nota:
Es el maximo valor que un decisor esta dispuesto a pagar para liberarse
parcialmente de la incertidumbre
Ejercicio 02
Jorge tiene el coche averiado y debe decidir si repararlo o reemplazarlo por otro
coche usado cuyo precio es 9000 dlares. Reparar su coche costara 3000 dlares
si la avera es leve y 9000 dlares si es grave. La probabilidad de que la avera sea
grave es 2/3 . El objetivo de Jorge es conseguir un medio de transporte al menor
coste esperado posible.
Jorge puede consultar a un mecnico que le diagnostique, mediante pago, si la
avera es a su juicio leve o grave. El diagnstico no es completamente fiable, y
cuando la avera es realmente leve l, el mecnico concluye acertadamente que la
avera es efectivamente leve (diagnstico leve dl) en un 80% de los casos (con
probabilidad 0.8) mientras que concluye errneamente que la avera es grave en
un 20% de los casos (con probabilidad 0.2)
(a) Qu debe hacer Jorge segn el criterio de VEM?
(b) Hallar el vector de probabilidades a posteriori dg
(c) Hallar el vector de probabilidades a posteriori dl
(d) Hallar el VEM con diagnostico grave
(e) Hallar el VEM con diagnostico leve
(f) Hallar el VEMIM
(g) Cul es la cantidad mxima que Jorge debera estar dispuesto a pagar al
mecnico por esta informacin imperfecta?
Caso de Estudio