Académique Documents
Professionnel Documents
Culture Documents
Teora
de
Decisiones
Cursos
de
accin
(decisiones)
Estados
de
la
Naturaleza
Naturaleza
no
juega
en
contra
del
decisor
resultado
Estado
de
naturaleza
resultado
Decisin
resultado
Estado
de
naturaleza
resultado
28/3/10
Teora
de
Decisiones
Llevar
paraguas
Seco
Si
Llueve?
No
Si
Llevar
paraguas?
No
Si
seco
mojado
Llueve?
No
seco
Matriz
de
Ganancias/Prdidas
Estado
de
la
naturaleza
Decisin
d1
r11
r12
r1m
d2
r21
r22
r2m
dn
rn1
rn2
rnm
28/3/10
Matriz
de
Ganancias/Prdidas
Estado
de
la
naturaleza
Decisin
d1
r11
r12
r1m
d2
r21
r22
r2m
dn
rn1
rn2
rnm
Caso
ideal:
Saber
con
certeza
que
ocurrir
un
estado
de
la
naturaleza,
por
ejemplo:
2
Entonces,
elegir:
max(r12,
r22,
,
rn2)
Toma
de
Decisiones
Certeza
IncerSdumbre
Riesgo
28/3/10
Decisin
d1
d2
d3
d4
28/3/10
Mejor( mejor )
Mtodo:
Tomar
la
mayor
ganancia
posible
para
cada
decisin
Elegir
la
mejor
opcin
de
ellas
Decisin
d1
d2
d3
d4
28/3/10
Decisin
d1
5.75
d2
3.5
d3
4.25
d4
28/3/10
Matriz
de
costos
de
oportunidad
d1
1
2
3
4
5
7
8
3
d1
1
2
3
4
3
1
1
2
d2
8 3 2 1
d2
0 5 7 4
d3
4 6 2 5
d3
4 2 7 0
d4
6 8 9 1
d4
2 0 0 4
7
16
13
6
28/3/10
Decisin
0.1
0.2
0.5
0.2
d1
d2
d3
d4
28/3/10
Decisin
0.1
0.2
0.5
0.2
d1
d2
d3
d4
Teora
de
Decisiones
Ejercicio
El
propietario
de
un
puesto
de
diarios
debe
decidir
cuntos
peridicos
encargar
para
la
venta.
El
dueo
del
puesto
debe
pagar
$200
por
cada
diario
para
venderlo
a
$250
cada
uno.
Los
peridicos
que
no
son
vendidos
durante
el
da
se
pierden.
La
experiencia
dice
que
la
demanda
diaria
vara
entre
6
y
10
peridicos,
con
idnSca
probabilidad
de
ocurrencia.
28/3/10
Teora
de
Decisiones
Acciones
dominadas
Si
un
curso
de
accin
ai
es
dominado,
no
existe
estado
de
la
naturaleza
para
el
cual
ai
sea
mejor
que
ai.
No
hay
razn
para
incluir
los
cursos
de
accin
dominados
en
la
matriz
de
ganancias.
En
el
ejemplo,
los
cursos
de
accin
de
comprar
1..5
peridicos
estn
dominados
por
comprar
6,
que
nunca
entrega
menor
ganancia.
Lo
mismo
ocurre
con
comprar
11
o
ms
peridicos.
rboles
de
Decisin
1
2
3
d1
2
6
2
d2
7
2
1
d3
1
7
3
1
2
3
1
2
3
d1
d2
d3
1
2
3
6
2
2
1
1
7
3
10
28/3/10
rboles
de
Decisin
Ejemplo
Compaa
ABC
desarrolla
una
nueva
lnea
de
productos.
Se
debe
decidir
una
estrategia
de
markeSng
y
produccin
adecuada.
Se
consideran
3
estrategias
posibles:
A
(agresiva),
B
(bsica)
y
C
(precavida).
Las
condiciones
del
mercado
se
denotan
mediante
S
(fuerte)
o
W
(dbil).
Las
esSmaciones
de
la
administracin
entregan
la
siguiente
matriz
de
benecios.
Adems,
se
esSma
que
las
probabilidades
de
que
el
mercado
sea
fuerte
o
dbil
son
de
0.45
y
0.55
respecSvamente.
A
B
C
S
W
30
-8
20
7
5
15
P(S)=0.45
P(W)=0.55
rboles
de
Decisin
P(S)
=
0.45
Ejemplo
El
valor
esperado
para
cada
decisin:
ERA
=
30
(0.45)
8
(0.55)
=
9.10
ERB
=
20(0.45)
+
7
(0.55)
=
12.85
ERC
=
5
(0.45)
+
15
(0.55)
=
10.5
S
W
P(W)
=
0.55
B
C
P(S) = 0.45
S
W
P(W) = 0.55
P(S) = 0.45
S
W
P(W)
=
0.55
A
B
C
S
W
30
-8
20
7
5
15
30
-8
20
7
5
15
P(S)=0.45
P(W)=0.55
11
28/3/10
rboles
de
Decisin
Resolver
el
rbol:
Se
trabaja
desde
las
ramas
hacia
la
raz,
esto
se
llama
retornar
el
rbol
P(S) = 0.45
Posible
decisin
S
W
P(W)
=
0.55
P(S) = 0.45
S
W
P(W) = 0.55
P(S) = 0.45
S
W
Toma de decisin
P(W) = 0.55
Estados de la naturaleza
30
-8
20
7
5
15
Acontecimiento
rboles
de
Decisin
Anlisis
de
Sensibilidad
El
valor
esperado
para
la
estrategia
A
es:
ERA
=
30
P(S)
-
8
P(W)
ERA
=
30
P(S)
-
8
(1
-
P(S))
ERA
=
-8
+
38
P(S)
ERA
=
9.10
A
B
ERB = 12.85
C
Funcin
lineal
sobre
la
probabilidad
de
que
las
condiciones
del
mercado
sean
fuertes
ERC = 10.50
Anlogamente,
ERB
=
20
P(S)
+
7
(1
-
P(S))
=
7
+
13
P(S)
ERC
=
5
P(S)
+
15
(1
-
P(S))
=
15
-
10
P(S)
12
28/3/10
rboles
de
Decisin
Anlisis
de
Sensibilidad
ERA
=
-8
+
38
P(S)
ERB
=
7
+
13
P(S)
ERC
=
15
-
10
P(S)
Ejemplo
Una
fbrica
est
evaluada
en
150
millones.
La
fbrica
desea
incorporar
un
nuevo
producto
al
mercado.
Existen
tres
estrategias
para
incorporar
el
nuevo
producto:
Alterna9va
1:
Hacer
un
estudio
de
mercado
del
producto
de
forma
de
determinar
si
se
introduce
o
no
al
mercado
Alterna9va
2:
Introducir
inmediatamente
el
producto
al
mercado
(sin
estudio)
Alterna9va
3:
No
lanzar
el
producto
al
mercado
(sin
estudio)
13
28/3/10
Ejemplo
En
ausencia
de
estudio
de
mercado,
la
fbrica
esSma
que
el
producto
Sene
un
55%
de
posibilidades
de
ser
exitoso
y
45%
de
ser
un
fracaso.
Si
el
producto
es
exitoso,
la
fbrica
aumentara
en
300
millones
su
valor,
si
el
producto
fracasa
se
devaluara
en
100
millones.
Ejemplo
El
estudio
de
mercado
vale
30
millones.
El
estudio
predice
que
existe
un
60%
de
probabilidades
de
que
el
producto
sea
exitoso.
Si
el
estudio
de
mercado
determina
que
el
producto
ser
exitoso,
hay
un
85%
de
posibilidades
de
que
efecSvamente
lo
sea.
Si
el
estudio
de
mercado
determina
que
el
producto
ser
un
fracaso,
existe
slo
un
10%
de
posibilidades
de
que
el
producto
sea
exitoso.
14
28/3/10
Ejemplo
Ejemplo
Retornando
el
rbol
15
28/3/10
Ejemplo
Valor
Esperado
Con
informacin
Original
(EVWOI)
EVWOI
=
270
millones
Ejemplo
Valor
Esperado
Con
Informacin
Perfecta
(EVWPI)
16
28/3/10
Teorema
de
Bayes
Estados
de
la
naturaleza
S1
:
producto
tenga
xito
S1:
producto
no
tenga
xito
Teorema
de
Bayes
Experimentos,
donde
Posibles
estados
de
la
naturaleza:
S1,
S2,
,
Sn
Resultados
experimentos:
O1,
O2,
,
Om
17
28/3/10
Teorema
de
Bayes
T1:
Experimento
dice
que
el
producto
tendr
xito
T1:
Experimento
dice
que
el
producto
no
tendr
xito
IP(S1|T1)
=
0.85
IP(S1|T1)
=
0.10
IP(S1|T1)
=
0.15
IP(S1|T1)
=
0.90
Teorema
de
Bayes
Si
se
conocen
las
probabilidades
previas
IP(Si)
No
se
conocen
las
probabilidades
a
posteriori
Pero
se
conoce
la
probabilidad
IP(Oj|Si)
Probabilidad
que
indica
la
facSbilidad
de
observar
un
determinado
resultado
como
producto
de
un
experimento
IP(S1)
=
0.55
IP(S1)
=
0.45
IP(T1|S1)=51/55
IP(T1|S1)=4/55
IP(T1|S1)=9/45
IP(T1|S1)=36/45
18
28/3/10
Teorema
de
Bayes
Si
slo
se
conoce
las
probabilidades
anteriores
para
resolver
el
problema,
se
requiere
aplicar
el
teorema
de
Bayes
para
completar
el
rbol
de
decisin.
Denicin
Sean
A
y
B
dos
eventos
no
independientes,
entonces
IP(A|B)
=
IP(A
B)/IP(B)
probabilidad
de
ocurrencia
de
A
condicionada
a
la
ocurrencia
de
B
Teorema
de
Bayes
Denicin
Sea
A
un
evento
condicionado
a
los
eventos
Si
(i=1..n)
IP(A)=IP(A|S1)
IP(S1)
+
IP(A|S2)
IP(S2)
+
+
IP(A|Sn)
IP(Sn)
probabilidad
total
o
marginal
de
ocurrencia
del
evento
A
19
28/3/10
Teorema
de
Bayes
Teorema
Sean
A
y
B
dos
eventos
no
independientes,
entonces
se
cumple
que:
Teorema
de
Bayes
Ejemplo
Probabilidad marginal
20
28/3/10
Teorema de Bayes
21
28/3/10
IP(S4)=
0.8
IP(S4)=
0.2
A1
=
construir
el
tren
rpido
A2
=
no
construir
el
tren
rpido
22
28/3/10
=
IP(S4|S1)
=
0.2
=
IP(S4|S2)
=
0.7
=
IP(S4|S3)
=
0.8
23
28/3/10
10000
800
x
10000
+
4700
x
10000
+5800
x
x<=
200
200
<
x
<=400
400
<
x
24