Universidad Nacional del Centro del Per

Ingeniera de Sistemas

Anlisis de Decisiones
Modelo Bayesiano: Decisiones en Condiciones de Riesgo

Mg. Jaime Suasnbar Terrel

 Objetivo

Tomar decisiones utilizando informacin muestral a travs del

modelo bayesiano
 Introduccin

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

A -> Matriz de Pagos

P -> Vector de Prob

Proceso de Eleccin Consecue

Criterio ncias
Problema Toma de de
VEM Alternativa
Decisiones

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

si ocurre B, podemos calcular la

probabilidad (a posteriori) de ocurrencia
B de cada Ai.

P(B | A)P(A)
P(A | B)
A3 A4
P(B)

donde P(B) se puede calcular usando el teorema de la probabilidad total:

P(B)=P(BA1) + P(BA2 ) + P( BA3 ) + ( BA4 )

=P(B|A1) P(A1) + P(B|A2) P(A2) +

 Teorema de Bayes

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

1. Modelo bsico (A, P) y VEM(A priori)

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)

Estado em m P(m |em)

 Ejercicio
Comprender estados muestrales

Un individuo debe decidir si reparar o reemplazar un vehculo

averiado, pudiendo ser avera leve o grave. S, se puede consultar
a un mecnico experto que diagnostique mediante pago, si la
avera es leve o grave.
Identificar las probabilidades a priori, histrica y a posteriori.
e1 Averia leve l E1 diagnostico leve dl
e2 Averia grave g E2 diagnostico grave dg
Prob A priori Prob Historica Prob Aposteriori
p(l) p(dl | l) p(dg | l) p(l | dl) p(g | dl)
p(g) p(dl | g) p(dg | g) p(l | dg) p(g | dg)

P(l | dl) = p(dl | l)p(l)/p(dl)

 Mtodo General Bayesiano

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)

4. Clculo del vector de probabilidades a posteriori

Matriz de pronstico
P(e1 | 1 ) P(e1 | 2 ) P(e1 | m )
P(e2 | 1 ) P(e2 | 2 ) P(e2 | m )
R=
P(em | 1 ) P(em | 2 ) P(em | m )
 Mtodo General Bayesiano

5. Clculo del vector de probabilidades a posteriori obtenida luego

de tener el pronostico j

P(e1 | j )
P(e2 | j )
P(j)=
P(em | j )
 Mtodo General Bayesiano

6. Clculo del vector de probabilidades a posteriori

P( j | ei )P(ei )
P(ei | j )
P( j )
P( j )

P( j ) P( j | e1 )P(e1 ) P( j | e 2 )P(e 2 ) ... P( j | e m )P(e m )

7. Criterio de Decisin
A no cambia, slo el vector de probabilidad.
VEM(j) (A, P(j))
)j
 Ejercicio 01

Se ha cometido un crimen y la polica ha detenido a 10 sospechosos, 9

de raza blanca y uno de raza negra. Se sabe al 100% que el culpable es
uno de ellos y, en principio, se sospecha de todos por igual. Finalmente
se encuentra un testigo que afirma haber visto el crimen y que el autor
era de raza negra. En vista de esta declaracin, se acusa y procesa a la
nica persona de esa raza entre los sospechosos.
Durante el juicio, el abogado defensor, escudriando todas las
posibilidades, se da cuenta que el testigo es algo corto de vista y que
pudo haberse confundido al identificar la raza del criminal. El jurado
comienza a tener sus dudas, pero, inmediatamente, el fiscal muestra
que, a la distancia a la que vio el crimen y con las gafas que en ese
momento llevaba puestas, el testigo slo se equivoca un 0,5% de las
veces, independientemente de la raza de la persona que ve.
El jurado, que no quiere cometer un error judicial con una probabilidad
mayor del 5%, tiene que tomar una decisin. Declarar culpable al
acusado?
 El Valor de la Informacin Imperfecta

Un individuo que obtiene un estado muestral j a travs de un diagnstico,

test, estudio de previsin, etc.
Puede asegurarse un pago
VEM(j)
Si saca provecho de la informacin obtenida
Si cada estado muestral tiene su propia probabilidad
P(j)
VEMIM El valor esperado con informacin imperfecta

= 1 1 + 2 (2)++ m (m)

= j j
=1
 Valor de la Informacin Imperfecta
VIM

Una condicin es que

VEMIM(I)>VEM(*)

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

Cmo predecir con bastante acierto la direccin en bolsa de los valores

e ndices con el modelo bayesiano utilizando el indicador de pnico de
las 500 empresas ms importantes de Walt Street?
Cul es la probabilidad de que suba y baje?
Referencia sugerida:
https://inbestia.com/analisis/teorema-de-bayes-aplicado-al-mercado-
de-valores
MARCO CONCEPTUAL
VIX: ndice de volatilidad del mercado de opciones PUT de Chicago o indicador
de pnico.
S&P 500: es el acrnimo de Standard & Poors 500, que incluye a las 500
empresas ms representativas de la Bolsa neoyorquina. La importancia de este
ndice, junto con el Dow Jones, es que juegan en la plaza financiera ms
importante del planeta: Wall Street.
Fin
Mg. Jaime Suasnabar Terrel