You are on page 1of 14

ARBOLES DE DECISIÓN CON INFORMACIÓN MUESTRAL

ARBOLES DE DECISIÓN CON INFORMACIÓN MUESTRAL TEORÍA DE DECISIONES Ing. César Canelo Sotelo
ARBOLES DE DECISIÓN CON INFORMACIÓN MUESTRAL TEORÍA DE DECISIONES Ing. César Canelo Sotelo

TEORÍA DE DECISIONES Ing. César Canelo Sotelo

LA INFORMACIÓN MUESTRAL

LA INFORMACIÓN MUESTRAL  Con la finalidad de adoptar la mejor decisión, es posible que el

Con la finalidad de adoptar la mejor decisión, es posible que el decisor pretenda obtener información adicional sobre los estados de la

naturaleza. Se puede usar esta nueva

información para modificar o actualizar las probabilidades previas, de manera que la

decisión final se base en estimaciones de

probabilidad más precisas para los estados de la naturaleza.

LA INFORMACIÓN MUESTRAL

LA INFORMACIÓN MUESTRAL  La mayor parte de las veces se busca la información adicional mediante

La mayor parte de las veces se busca la información adicional mediante experimentos diseñados para obtener información muestral o datos más actuales respecto a los estados de la naturaleza. El muestreo de materias primas, las pruebas de productos y las investigaciones de mercado, son

ejemplos de experimentos que pueden

permitir una modificación o actualización de

las probabilidades de los estados de la

naturaleza.

LA INFORMACIÓN MUESTRAL

LA INFORMACIÓN MUESTRAL  A las probabilidades estimadas inicialmente se les denominará probabilidades previas para los
  • A las probabilidades estimadas inicialmente se les denominará probabilidades previas

para los estados de la naturaleza. El

experimento, estudio o investigación

ofrecería información nueva que podría combinarse con las probabilidades previas,

con un procedimiento bayesiano, para

obtener estimaciones de probabilidades actualizada o modificadas, para los estados

de la naturaleza. A estas probabilidades

modificadas se las denomina probabilidades

posteriores.

Procedimiento Bayesiano

Procedimiento Bayesiano Información nueva proveniente de investigación o experimentación Probabilidade s previas Probabilidades posteriores Modificación de

Información nueva proveniente de investigación o

experimentación

Probabilidade s previas

Probabilidades

posteriores

Procedimiento Bayesiano Información nueva proveniente de investigación o experimentación Probabilidade s previas Probabilidades posteriores Modificación de

Modificación de las probabilidades con base en información nueva.

LA INFORMACIÓN MUESTRAL  A la nueva información que se obtiene
LA INFORMACIÓN MUESTRAL
 A
la
nueva
información
que
se
obtiene

mediante investigación o experimentación se la denomina indicador. Como en muchos casos el experimento realizado para obtener

información adicional consiste en obtener una muestra estadística, también a menudo

la nueva información se la llama

información muestral.

E1 p1 r1 A1 E2 r2 p2 A2 r3 Sin E1 P r1 información (E1/R1) muestral
E1
p1
r1
A1
E2
r2
p2
A2
r3
Sin
E1
P
r1
información
(E1/R1)
muestral
A1
E2
P(E2/R1)
r2
R1
A2
r3
Con
Información
P(R1)
muestral
E1
P(E1/R2)
r1
A1
P(R2)
E2
P(E2/R2)
r2
R2
A2
r3

PROCEDIMIENTO BAYESIANO

PROCEDIMIENTO BAYESIANO  El resultado final del proceso de modificación bayesiana es un conjunto de probabilidades

El

resultado

final

del

proceso

de

modificación bayesiana es un conjunto de

probabilidades posteriores

P(Ej/Rk).

de

la

forma

  • La información muestral debe proveer las probabilidades condicionales para todos los indicadores dados todos los estados de la naturaleza, de la forma P(Rk/Ej).

PROCEDIMIENTO BAYESIANO

PROCEDIMIENTO BAYESIANO I N D I C A D O R E S Estados de la

I N D I C A D O R E S

Estados de la

naturaleza

E1

E2

.

.

.

Ej

 

R1

R2

 

Suma

 
 

Rk

 

P(R1/E1)

P(R2/E1)

.

.

.

P(Rk/E1)

1.00

P(R1/E2)

P(R2/E2)

.

.

.

P(Rk/E1)

1.00

.

.

.

.

.

.

.

.

.

.

.

.

P(R1/Ej)

P(R2/Ej)

 

.

.

.

P(Rk/Ej)

1.00

PROCEDIMIENTO BAYESIANO

PROCEDIMIENTO BAYESIANO LEY DE LA MULTIPLICACIÓN DE LA PROBABILIDAD: P(Rk ) = ∑ P( Rk/Ej) P(Ej)

LEY DE LA MULTIPLICACIÓN DE LA PROBABILIDAD:

P(Rk) = ∑ P(Rk/Ej) P(Ej)

RELACIÓN DE PROBABILIDAD CONDICIONAL FUNDAMENTAL:

P(Rk/Ej) P(Ej)

P(Ej/Rk) =

P(Rk)

PROCEDIMIENTO BAYESIANO - FORMA TABULAR

PROCEDIMIENTO BAYESIANO - FORMA TABULAR Rk: E j P(E j ) P(R k /E j )

Rk:

Ej

P(Ej)

P(Rk/Ej)

 

P(Rk∩Ej)

 

P(Ej/Rk)

   

...

.

.

.

.

.

.

.

.

.

.

.

.

P(Rk) = ∑

VALOR ESPERADO DE LA INFORMACIÓN

VALOR ESPERADO DE LA INFORMACIÓN MUESTRAL (VEIM) Valor esperado de la decisión óptima con Información muestral

MUESTRAL (VEIM)

VALOR ESPERADO DE LA INFORMACIÓN MUESTRAL (VEIM) Valor esperado de la decisión óptima con Información muestral
Valor esperado de la decisión óptima con Información muestral
Valor esperado de la
decisión óptima con
Información muestral

VEIM =

-

Valor esperado de
Valor esperado de

la decisión óptima sin información muestral

Valor esperado de
Valor esperado de

la decisión óptima sin información muestral

VEIM =

-

Valor esperado de la decisión óptima con Información muestral
Valor esperado de la
decisión óptima con
Información muestral

Maximización

Minimización

El VEIM se usa para tomar la decisión de hasta cuanto pagar por la

información

muestral.

EFICIENCIA DE LA INFORMACIÓN MUESTRAL

EFICIENCIA DE LA INFORMACIÓN MUESTRAL La eficiencia de la información muestral es una medida del valor

La eficiencia de la información muestral es una

medida del valor del reporte.

VEIM

E =

VEIP

x 100

La eficiencia es una medida de cuan “eficiente”

es la información muestral en comparación con la información perfecta.

G R A C I A S