Professional Documents
Culture Documents
ValorEsperadodelaInformacinImperfecta
Informacin Imperfecta
Es aquella que se obtiene de muy diversas fuentes como estudios de mercado, la asesora de una consultora, extrapolaciones de evoluciones pasadas de una determinada variable, etc. que no tienen una fiabilidad absoluta, pero que pueden darnos una idea ms cercana de la realidad.
Teoradeladecisinydelosjuegos.JuanCarlosAguadoFranco
Incorporarlaenla tomadedecisiones
Inferencia bayesiana
Teoremade Bayes
1763
ThomasBayes
1702 1761
TeoremadeBayes(I)
Recordemos Sea el espacio muestral de un experimento aleatorio. Si consideramos k sucesos S1, , Sk, de de forma que S1, , Sk sean disjuntos (mutuamente excluyentes y exhaustivos) y la unin de ellos sea , diremos que esos sucesos constituyen una particin de . Si cada uno de los k sucesos S1, , Sk, constituye una particin de , y si es B cualquier otro suceso en , entonces, los sucesos S1B, S2B, , SkB constituyen una particin de B, como se puede apreciar en la figura:
S1
S3
S4
S2
Ing. Oscar Reyes Almora
TeoremadeBayes(II)
Por consiguiente, se puede escribir: B=(S1B) (S2B) (SkB) Como los k sucesos del lado derecho son disjuntos, P(B)= P(SjB) Si P(S ( j) > 0 p para j = 1, , , , k, , entonces: P(S ( jB) ) = P(S ( j) P(B/S ( / j) y P(B)= P(Sj)P(B/Sj) Si se conocen las probabilidades condicionales P(B/Sj), entonces se cumple: P(Sj/B)=P(B/Sj) P(Sj) P(B) FrmuladeBayes: y P(S ( i/ /B) )= P(B/S ( / i) P(S ( i).
P(B/Sj) P(Sj)
Informacinmuestral
Generalidades
Razonespara conseguirmayor informacin relevante Decisiones del mundo empresarial pueden suponer: Poner en juego considerables cantidades de dinero. Costo elevado de tomar una decisin subptima.
Proporcioneshistricas p.e.basados b d en investigacioneso productosanteriores
Probabilidades apriori
Teoremade Bayes
Probabilidades aposteriori
Informacinmuestral
UtilizacindelTeoremadeBayes
Teoremade Bayes Sean s1, s2, , sH H sucesos mutuamente excluyentes y colectivamente exhaustivos, que corresponden a los H estados de la naturaleza de un problema de decisin. Se cumple:
P(si):probabilidadaprioridesi P(si/A):probabilidadaposteriori
Informacinmuestral
Valordelainformacinmuestral(VEIM)
Obtencinde informacinmuestral Costo
Losbeneficiosesperadossonmayores queelcoste?
VEIP
En general, si A representa una parte de la informacin muestral y s1, s2, , sH los H estados de la naturaleza posibles, entonces
Informacinmuestral
Valordelainformacinmuestral(VEIM)
Supongamos que una persona tiene que elegir l entre K acciones posibles bl ante H estados d de la naturaleza, s1, s2, , sH. Si puede obtener informacin muestral, suponiendo que hay M resultados muestrales posibles, A1, A2, , AM. El valor esperado de la informacin muestral se obtiene de la forma siguiente: siguiente 1. Se averigua qu accin se elegira si slo se utilizaran las probabilidades a priori. 2. Se averiguan las probabilidades de obtener cada resultado muestral:
VEIM=P(A1)V1+P(A2)V2 ++P(AM)VM
VEIM=VECIM VME*
Ing. Oscar Reyes Almora
Informacinmuestral
Ejemplo(I)
Una fabricante de telfonos mviles tiene los siguientes rendimientos (en miles de $) y probabilidades a priori de los estados de la naturaleza:
Accin Proceso deproduccin A(a1) B(a2) C(a3) Probabilidades Demandabaja(s1) 70 80 100 0.1 Estadodelanaturaleza Demandamoderada(s2) 120 120 125 0.5 Demandaalta(s3) 200 180 160 0.4 VME 147,0 140,0 , 136,5
VECIP = 100(0,1) 100(0 1) + 125(0,5) 125(0 5) + 200(0,4) 200(0 4) = 152,5 152 5 Otra forma:
El fabricante contrata una empresa de estudios de mercado para predecir el nivel l de d demanda d d de d un nuevo producto. d La empresa afirma f que las l perspectivas son malas, regulares o buenas.
Ing. Oscar Reyes Almora
Informacinmuestral
Ejemplo(II)
En la siguiente tabla se muestra la proporcin de veces que la empresa dijo que las perspectivas eran malas, regulares o buenas correspondiente a cada nivel efectivo de demanda.
Accin Estadodelanaturaleza Demandaalta(s3) 01 0,1 0,2 0,7
Valoracin Demandabaja(s1) Demandamoderada(s2) Malas Regulares Buenas 06 0,6 0,2 0,2 03 0,3 0,4 0,3
En notacin de probabilidad condicional, se tiene: P(malas/s1)=0,6 P(malas/s2)=0,3 P(malas/s3)=0,1 Supongamos que la empresa dice que las perspectivas de la demanda del telfono mvil son malas.
Ing. Oscar Reyes Almora
Informacinmuestral
Ejemplo(III)
Para un bajo nivel de demanda, la probabilidad a posteriori es: P(malas/s1) P(s1). P(si/malas)= P(malas/s / 1) P(s1)+P(malas/s / 2) P(s2)+P(malas/s / 3) P(s3) alas) = (0,6)(0,1). = 0,06 =0,24 (0,6) ( , )( (0,1) , )+( (0,3) , )( (0,5) , )+( (0,1) , )( (0,4) , ) 0,25 ,
Compruebe los siguientes resultados para los otros dos niveles: P(s2/malas)=(0,3) (0,5) =0,6 0,25 P(s3/malas)=(0,1) (0,4) =0,16 0,25
En la tabla siguiente se muestra la tabla de rendimientos con las probabilidades a p p posteriori p para los tres niveles de demanda si la empresa p afirma que las perspectivas de demanda son malas.
Ing. Oscar Reyes Almora
Informacinmuestral
Ejemplo(IV)
Accin Proceso de produccin A(a1) B(a2) C(a3) Probabilidades Estadodelanaturaleza Demanda Demanda Demanda baja(s1) moderada(s2) alta(s3) 70 120 200 80 100 0.24 120 125 0.6 180 160 0.16
Informacinmuestral
Ejemplo(V)
P(s1/buenas) P(s2/buenas) P(s3/buenas) La siguiente g tabla resume los VME p para cada p proceso de p produccin y valoracin de las perspectivas:
Accin Estadodelanaturaleza(perspectivas) Procesode Malas Regulares Buenas produccin A 120,8 138,0 167,556 B C 120,0 124,6 133,333 132,667 155,556 145,667
Informacinmuestral
Valordelainformacinmuestral(VEIM)
Aplicamos las frmulas respectivas tenemos:
VECIM = 124,6(0,25) + 138(0,3) + 167,556(0,45) = 147,95 VEIM = 147,95 147 = 0,95 Otra forma: VEIM = (124,6 120,8)(0,25) + (138 138)(0,3) + (167,6 167,6)(0,45) = 0,95 Sup. Coste de Estudio = $750 Donde: VENIM = 950 750 = $200
VECIM: Valor Esperado con Informacin Muestral VEIM: Valor Esperado de la Informacin Muestral VENIM Valor VENIM: V l Esperado E d Neto N t de d la l Informacin I f i Muestral M t l