09-05-2019 215927 PM 37644 6000140792 04-08-2019 181127 PM PLANTILLA UCV DOCENTES Sin Excel Ult

FACULTAD DE INGENIERIA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA INDUSTRIAL

CURSO DE HERRAMIENTAS PARA LA TOMA DE DECISIONES DOCENTE: Mg. Juan Cabana Fernández
UCV – INGENIERIA INDUSTRIAL

CURSO – HERRAMIENTAS PARA LA TOMA DE DECISIONES
SESIÓN – 02
TEMA:
TEOREMA DE BAYES
1.0 Teorema de Bayes
1.1 Tomando deciciones con Probabilidades

1.2 Valor esperado de una alternativa de decicion
1.3 valor esperado de la información perfecta
1.4 Probabilidades a priori y Posteriori
1.5 valor esperado de la información muestral
1.6 ejemplo
TOMA DE DECISION
Todos los días las personas nos vemos enfrentados a innumerables situaciones en las
cuales debemos tomar determinadas decisiones y seguir cursos de acción. Los procesos
de toma de decisiones los podemos clasificar principalmente en:
Decisión bajo Decisión bajo

certidumbre incertidumbre
.
Toma de decisiones Los parámetros son

bajo certidumbre constantes conocidas
y ciertas
Dentro de estos
modelos encontramos
la Programación lineal
Toma de decisiones Los parámetros

bajo incertidumbre varían con el tiempo
y obedecen a
procesos estocásticos
Los procesos de toma de decisiones bajo incertidumbre serán los que

Analizaremos en esta parte del curso, y nos enfocaremos principalmente
en el
corto plazo, en el cual tendremos que preocuparnos de tomar quizá solo
una
decisión . En los procesos de toma de decisiones bajo Incertidumbre es
posible disminuir la mencionada incertidumbre con el uso de algunas
pruebas.
Decisiones bajo incertidumbre
Toma de decisiones sin Toma de decisiones

experimentación con
experimentación
TOMA DE DECISION CON EXPERIMENTACION
En la toma de decisiones con experimentación se pretende mejorar las estimaciones

preliminares de las probabilidades de los respectivos estados de la naturaleza.
Se realizan estudios para predecir que ocurrirá. A estos estudios o predicciones los
llamaremos S
Inicialmente se hallan las probabilidades a priori P ( S | θ ) y

finalmente se hallan las probabilidades a posteriori P ( θ | S )
Definamos en términos generales

• n: número de estados de la naturaleza posibles.
• P(θ = θi) : Probabilidad de que el estado de la naturaleza sea θi , para i = 1,2,...,n
• S : Estadístico que resume los resultados de la experimentación (Variable

aleatoria)
• s : un valor posible de S.
• P(S=s| θ = θi): Probabilidad a priori de que la predicción sea s, dado que el

estado de la naturaleza verdadero es θi
• P(θ= θi|S=s): Probabilidad a posteriori de que el estado de la naturaleza

verdadero sea θi , dado que S=s
Con la experimentación se obtienen las

probabilidades apriori y mediante la del teorema de Bayes se
obtienen las probabilidades a posteriori.
EJEMPLO
En una planta de producción se tienen 3 máquinas que producen un mismo artículo.

Las
máquinas 2 y 3 producen a la misma velocidad, mientras que la máquina 1 tiene Una
velocidad de producción igual a la de la 2 y 3 juntas. Además las Máquinas producen
un
Determinado número de artículos defectuosos. Los porcentajes de artículos
defectuosos
por máquina son:
• % de artículos defectuosos M1 2 %
Se recoge la producción de un día y se escoge un artículo al azar.
Definamos los siguientes eventos:
• B1 : Artículo producido en la máquina 1.

• A : Artículo defectuoso.
• P (B1) =1/2
• P (B2) = 1/4
• P (B3) =1/4
• P (A | B1) = 0.02
• P (A | B2) = 0.02
• P (A | B3) = 0.04
P(A)= P(A | B1 )P(B1 )+P(A | B2 ) P(B2 )+....+P (A | Bk ) P(Bk )

P(A)= 0.02*12+ 0.02*14+ 0.04*14
P(A)= 0.025
P ( B1 |A ) = 0.02*1/2 = P(B1 |A)= 0.4
0.02* ½ + 0.02* ¼ + 0.04* ¼
La probabilidad de que un artículo defectuoso venga de la máquina 1 es 0.4, o

la máquina 1 produce el 40% de los artículos defectuosos de la planta
1.1 Decision Making with Probabilities

• Enfoque del Valor Esperado
• Si existe información de los resultados probables para los estados de la
naturaleza, es posible utilizar el enfoque del valor esperado (VE).
• El resultado esperado para cada decisión se calcula por la suma de los
productos de los resultados de cada estado de la naturaleza y la probabilidad
de ocurrencia de cada uno de esos estados.
• Se elige la decisión que proporcione el mejor resultado esperado.
1.2 Expected Value of a Decision Alternative

• El valor esperado de una alternativa de decisión es la suma
de los resultados ponderados para la alternativa de decisión.
• El valor esperado (VE) de la alternativa
N de decisión di se
define por:
VE(di )   P( s j )Vij
j 1
donde: N = número de estados de la naturaleza

P(sj) = probabilidad del estado de la naturaleza sj
Vij = resultado correspondiente a la alternativa
de decisión di y estado de la naturaleza sj
Example: Burger Prince

Burger Prince quiere abrir un nuevo restaurante en la Av.
Main. Tiene 3 diferentes modelos, cada uno con diferente
capacidad de clientes. Burger Prince estima que el número
promedio de clientes por hora será 80, 100, o 120. La tabla de
resultados para esas 3 alternativas es la siguiente:
Average Number of Customers Per Hour
s1 = 80 s2 = 100 s3 = 120
d1 = Model A $10,000 $15,000 $14,000
d2 = Model B $ 8,000 $18,000 $12,000
d3 = Model C $ 6,000 $16,000 $21,000
Probabilidad 0.4 0.2 0.4
1.3 Expected Value of Perfect Information

• Frecuentemente se halla información que puede
mejorar los estimados de probabilidad para los estados
de la naturaleza.
• El Valor Esperado de Información Perfecta (VEIP) es el
incremento del beneficio esperado que resultaría si uno
supo con certeza qué estado de la naturaleza ocurriría
(VEcIP – VEsIP).
• El VEIP provee un límite superior en el valor esperado de
cualquier muestra o encuesta.
Expected Value of Perfect Information
• Cálculo VEPI
• Paso 1:
Determinar el resultado óptimo correspondiente a cada estado de la
naturaleza.
• Paso 2:
Calcular el valor esperado de esos resultados óptimos (VEcIP).
• Paso 3:
Restar la decisión óptima obtenida por el enfoque del VE(sIP) de la
cantidad determinada en el paso (2).
• Expected Value of Perfect Information

Calcular el VE para el resultado óptimo de cada estado de la
naturaleza y restar el valor de la decisión óptima obtenida por el enfoque
del VE(sIP) .
VEIP= .4(10,000) + .2(18,000) + .4(21,000) - 14,000 = $2,000

1.4. Decision Analysis With Sample Information

Bayes’ Theorem and Posterior Probabilities
• El conocimiento de muestras o información de encuestas
puede usarse para revisar los estimados de probabilidad de
los estados de la naturaleza.
• Previo a la obtención de esta información, los estimados de
probabilidad para los estados de la naturaleza se llaman
probabilidades a priori.
• Bajo el conocimiento de probabilidades condicionales para
los resultados o indicadores de la muestra o información de
encuestas, estas probabilidades a priori pueden ser
revisadas empleando el Teorema de Bayes.
• Los resultados de este análisis son llamados probabilidades
a posteriori (o probabilidades de rama en los arboles de
decisiones).
Probabilidades posteriores o probabilidades de rama
• Cálculo de Probabilidades Posteriores

• Step 1:
Para cada estado de la naturaleza, multiplicar la probabilidad a
priori por su probabilidad condicional para el indicador – esto da la
probabilidad conjunta para los estados e indicador.
• Step 2:
Sumar estas probabilidades conjuntas de todos los estados –
esto da la probabilidad marginal para el indicador.
• Step 3:
Para cada estado, dividir su probabilidad conjunta entre la
probabilidad marginal para el indicador – este resultado es la
distribución de probabilidad posterior.
1.5 Expected Value of Sample Information

• El valor esperado de la Información muestral (VEIM) es el beneficio
adicional esperado posible a través del conocimiento de
informacion muestral o de encuestas.
Expected Value of Sample Information

• Cálculo del VEIM
• Step 1:
Determinar la decisión óptima y su retorno esperado para los resultados posibles de la
muestra usando las probabilidades posteriores para los estados de la naturaleza.
Step 2:
Calcular el valor esperado de estos resultados óptimos.
• Step 3:
Restar el VE de la decisión óptima obtenida sin la información muestral de la cantidad
determinada en el paso (2).
Eficiencia de la Información Muestral

• Eficiencia de la información muestral es el ratio de VEIM a VEIP.
• Como el VEIP provee un límite superior para el VEIM, la eficiencia es
siempre un número entre 0 and 1.
1.6 Example: Burger Prince

• Sample Information
Burger Prince debe decidir si o no hacer una encuesta de mercados
(que indica si la opcion es favorable o desfavorable) y cuesta $1,000.
Anteriormente se han realizado encuestas para los flujos de clientes,
cumpliéndose favorablemente, con las siguientes probabilidades:
Debe Burger Prince adquirir la encuesta de Invest Mcdos?
P(Favorable | 80 clientes por hora) 0.2

• Posterior Probabilities
Favorable Survey Results
State Prior Conditional Joint Posterior

80 .4 .2 .08 .148
100 .2 .5 .10 .185
120 .4 .9 .36 .667
Total .54 1.000
P(favorable) = .54
• Posterior Probabilities
Unfavorable Survey Results
State Prior Conditional Joint Posterior

80 .4 .8 .32 .696
100 .2 .5 .10 .217
120 .4 .1 .04 .087
Total .46 1.000
P(unfavorable) = .46

s1 (.148)
• Decision Tree (top half) $10,000
s2 (.185)
4 $15,000
d1 s3 (.667)
$14,000
s1 (.148)
$8,000
d2
5 s2 (.185)
2 $18,000
s3 (.667)
I1 d3 $12,000
s1 (.148)
(.54) $6,000
s2 (.185)
6 $16,000
s3 (.667)
1 $21,000

• Decision Tree (bottom half)
1 s1 (.696)
$10,000
s2 (.217)
I2 7 $15,000
d1 s3 (.087)
(.46)
$14,000
s1 (.696)
d2 $8,000
s2 (.217)
3 8 $18,000
s3 (.087)
d3 $12,000
s1 (.696) $6,000
s2 (.217)
9 $16,000
s3 (.087)
$21,000

EMV = .148(10,000) + .185(15,000)
d1 4
+ .667(14,000) = $13,593
$17,855
d2
5 EMV = .148 (8,000) + .185(18,000)
2
d3 + .667(12,000) = $12,518
I1
(.54)
6 EMV = .148(6,000) + .185(16,000)
+.667(21,000) = $17,855
1
7 EMV = .696(10,000) + .217(15,000)
I2 d1 +.087(14,000)= $11,433
(.46)
d2
8 EMV = .696(8,000) + .217(18,000)
3
d3 + .087(12,000) = $10,554
$11,433
9 EMV = .696(6,000) + .217(16,000)
+.087(21,000) = $9,475
• Estrategia de Decisión asumiendo que la encuesta se ejecute:

• Si los resultados de la encuesta son favorables, se debe elegir el modelo C.
• Si son desfavorables, elegir el modelo A.

• Question:
Debe llevarse a cabo la encuesta?
• Answer:
Si el VE con Informacion Muestral (VEcIM) es mayor (despues de deducir
gastos), que el VE sin Informacion Muestral (VEsIM), se recomienda llevar a
cabo la encuesta.
• Expected Value with Sample Information (VEcIM)
VEcIM = .54($17,855) + .46($11,433) = $14,900.88
• Expected Value of Sample Information (VEIM) VEIM = VEcIM - VEsIM

Asumiendo maximización
VEIM= $14,900.88 - $14,000 = $900.88

• Conclusion
VEIM = $900.88
Ya que el VEIM es menor que el costo de la encuesta ($1000), no

debe adquirirse la encuesta.
• Efficiency of Sample Information
La eficiencia de la encuesta:
VEIM/VEIP = ($900.88)/($2000) = .4504

09-05-2019 215927 PM 37644 6000140792 04-08-2019 181127 PM PLANTILLA UCV DOCENTES Sin Excel Ult

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

09-05-2019 215927 PM 37644 6000140792 04-08-2019 181127 PM PLANTILLA UCV DOCENTES Sin Excel Ult

Загружено:

Авторское право:

Доступные форматы

FACULTAD DE INGENIERIA

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA INDUSTRIAL

UCV – INGENIERIA INDUSTRIAL

1.0 Teorema de Bayes

1.1 Tomando deciciones con Probabilidades

Decisión bajo Decisión bajo

Toma de decisiones Los parámetros son

Toma de decisiones Los parámetros

Los procesos de toma de decisiones bajo incertidumbre serán los que

Decisiones bajo incertidumbre

Toma de decisiones sin Toma de decisiones

TOMA DE DECISION CON EXPERIMENTACION

En la toma de decisiones con experimentación se pretende mejorar las estimaciones

Inicialmente se hallan las probabilidades a priori P ( S | θ ) y

Definamos en términos generales

• P(θ = θi) : Probabilidad de que el estado de la naturaleza sea θi , para i = 1,2,...,n

• S : Estadístico que resume los resultados de la experimentación (Variable

• P(S=s| θ = θi): Probabilidad a priori de que la predicción sea s, dado que el

• P(θ= θi|S=s): Probabilidad a posteriori de que el estado de la naturaleza

Con la experimentación se obtienen las

En una planta de producción se tienen 3 máquinas que producen un mismo artículo.

• B1 : Artículo producido en la máquina 1.

P(A)= P(A | B1 )P(B1 )+P(A | B2 ) P(B2 )+....+P (A | Bk ) P(Bk )

P ( B1 |A ) = 0.02*1/2 = P(B1 |A)= 0.4

0.02* ½ + 0.02* ¼ + 0.04* ¼

La probabilidad de que un artículo defectuoso venga de la máquina 1 es 0.4, o

1.1 Decision Making with Probabilities

1.2 Expected Value of a Decision Alternative

donde: N = número de estados de la naturaleza

Example: Burger Prince

1.3 Expected Value of Perfect Information

Expected Value of Perfect Information

Example: Burger Prince

• Expected Value of Perfect Information

VEIP= .4(10,000) + .2(18,000) + .4(21,000) - 14,000 = $2,000

1.4. Decision Analysis With Sample Information

Probabilidades posteriores o probabilidades de rama

• Cálculo de Probabilidades Posteriores

1.5 Expected Value of Sample Information

Expected Value of Sample Information

Eficiencia de la Información Muestral

1.6 Example: Burger Prince

Debe Burger Prince adquirir la encuesta de Invest Mcdos?

P(Favorable | 80 clientes por hora) 0.2

Example: Burger Prince

State Prior Conditional Joint Posterior

Example: Burger Prince

State Prior Conditional Joint Posterior

Example: Burger Prince

Example: Burger Prince

Example: Burger Prince

Example: Burger Prince

• Estrategia de Decisión asumiendo que la encuesta se ejecute:

Example: Burger Prince

Example: Burger Prince

• Expected Value with Sample Information (VEcIM)

VEcIM = .54($17,855) + .46($11,433) = $14,900.88

• Expected Value of Sample Information (VEIM) VEIM = VEcIM - VEsIM

VEIM= $14,900.88 - $14,000 = $900.88

Example: Burger Prince

Ya que el VEIM es menor que el costo de la encuesta ($1000), no

Example: Burger Prince

• Efficiency of Sample Information