Professional Documents
Culture Documents
BAJO INCERTIDUMB RE
(Con probabilidades)
Son modelos en los cuales cada alternativa de decisin se encuentra influenciada por los distintos estados de la naturaleza, a los cuales se les pueden asignar una distribucin de probabilidades conocida, debido a que se conoce su comportamiento basado en datos histricos.
ARBOL DE DECISIONES
Es una herramienta grfica que se utiliza para analizar problemas complejos que involucran decisiones secuenciales, en la cual se diagraman las alternativas de decisin disponibles y los estados de la naturaleza que pueden ocurrir. Esta formado por:
Decisione s posibles 1 3 2 2 3
Estados de la naturaleza
Nodos de decisin (de accin) 2 Nodos de probabilidad 3 Ramas (Decisiones posibles y estados de la P (naturaleza) ej ) 0
P(e ) = P( e ) + P( e ) + ... + P( e ) = 1
n j =1 j 1 2 n
Es el promedio ponderado de todos los valores posibles que toma la alternativa i en cualquiera de los estados de la naturaleza j , en donde los coeficientes de ponderacin corresponden a las probabilidades de que los estados de la naturaleza ocurran.
Donde: P(ej) = Probabilidad de que ocurra el j-simo estado de la naturaleza. R(ai,ej) = Resultado para la i-sima alternativa si ocurre el j-simo estado de la naturaleza.
Para el clculo del valor esperado de la informacin perfecta (sin el costo de la experimentacin) se requiere ponderar el resultado mximo para cada estado de la naturaleza con la probabilidad de ese estado. Es la mxima cantidad que se esta dispuesto a pagar para mejorar el conocimiento del estado de la naturaleza que ocurrir o tambin para tener la informacin perfecta.
Prof. FRANCY TONONI
ANLISIS DE SENSIBILIDAD
Es una ayuda para el que toma la decisin debido a que describe cmo los cambios en las probabilidades del estado de la naturaleza afectan la alternativa de decisin recomendada. Se utiliza un procedimiento grfico para dos estados de la naturaleza:
VE ( a1 ) = p[ mxR( a1 , e1 ) ] + (1 p )[ mnR ( a1 , e2 ) ] VE ( a2 ) = p[ mxR( a2 , e1 ) ] + (1 p )[ mnR ( a2 , e2 ) ] VE ( an ) = p[ mxR( an , e1 ) ] + (1 p )[ mnR ( an , e2 ) ]
Se desarrollan las ecuaciones que muestran el VE de las alternativas de decisin i cmo una funcin de la probabilidad del estado de la naturaleza j . Luego se grafican dichas ecuaciones.
Prof. FRANCY TONONI
los
posibles
resultados
de
un
EVENTOS INDEPENDIENTES La ocurrencia de uno de ellos no influye en la ocurrencia del resto EVENTOS MUTUAMENTE EXCLUYENTES No pueden ocurrir simultneamente PARTICION Coleccin de eventos mutuamente exclusivos (por pares) cuya unin es el espacio muestral. Prof. FRANCY
TONONI
Es frecuente hacer pruebas adicionales (experimentacin) para mejorar las estimaciones preliminares de las probabilidades de los respectivos estados de la naturaleza dadas por las probabilidades a priori. Estas estimaciones mejoradas se llaman probabilidades a posteriori.
P ( mi )
P v j mi
Paso 2: Probabilidades condicionales: Paso 3: Probabilidades conjuntas: Paso 4: Probabilidades absolutas: Paso 5: Probabilidades a posteriori:
) ( )
P ( mi , v j ) = P v j mi * P ( mi )
P ( v j ) = P ( mi , v j )
n i =1
P ( mi v j ) = P ( mi , v j ) / P ( v j )
Prof. FRANCY TONONI
[ (
k =1
[ (
Qu tanto estara dispuesto a pagar por una Investigacin de Mercado o algn otro estudio que permita revisar o actualizar las probabilidades de los estados de la naturaleza. EFICIENCIA DE LA INFORMACION MUESTRAL Eff = VEIM / VEIP
Prof. FRANCY TONONI