Beruflich Dokumente
Kultur Dokumente
MÓDULO:7
TEORÍA DE DECISIONES
1
Módulo 7: Teoría de decisiones
Introducción:
2
Módulo 7: Teoría de decisiones
Introducción:
3
Módulo 7: Teoría de decisiones
Introducción:
Probabilidad:
¿Cómo asignamos un valor a cada suceso A que mida la posibilidad de
ocurrencia?
¿Repitiendo el experimento un gran número de veces y determinando su
frecuencia?
Sin embargo: ¿cómo sabemos que tan extenso realizar el experimento?
¿cómo eliminamos la condición particular de cada
experimentador?
Definición formal:
Sea E un experimento. Sea S un espacio muestral asociado con E. Con cada
suceso A asociamos un número real, designado por P(A) y llamado la
“Probabilidad de que A” satisfaga las siguientes propiedades:
4
Módulo 7: Teoría de decisiones
Probabilidad:
Probabilidad:
(1)0<= P(A) <=1
(2)P(S) = 1
(3)Si A y B son sucesos que se excluyen mutuamente, P(AUB) =P(A)+P(B)
(4)Si A1,A2,....An,....son sucesos que se excluyen mutuamente de par en par,
entonces: ∞ ∞
P(UAi)
i=1
= P(Ai)
i=1
5
Módulo 7: Teoría de decisiones
Probabilidad Condicional
6
Módulo 7: Teoría de decisiones
Ejemplo Probabilidad Condicionada:
LISAS 2 4 6
RAYADAS 2 1 3
TOTALES 4 5 9
7
Módulo 7: Teoría de decisiones
Ejemplo Probabilidad Condicionada:
Solución: Sean los sucesos A: “la bolilla es rayada” y B: “la bolilla es roja”.
Obviamente, sin ninguna información previa, P(A)= 3/9=1/3 y P(B)=4/9. Sin
embargo, como sabemos que la bolilla es roja, la probabilidad de que sea rayada
es ½, ya que, de las rojas la mitad es lisa y la mitad rayada. Observemos, que al
ocurrir B, el espacio muestral se reduce.
8
Módulo 7: Teoría de decisiones
Teorema de Bayes:
P(A/Bi) P(Bi)
P(Bi/A) = k
i = 1,2,3...k
j=1
P(A/Bj) P(Bj)
9
Módulo 7: Teoría de decisiones
Ejemplo Teorema de Bayes:
10
Módulo 7: Teoría de decisiones
Ejemplo Teorema de Bayes:
0,7
CA
Representación por
A
diagrama de árbol 0,6 0,3
SA
0,3 CA
0,4
B
0,7 SA
Por lo tanto, podríamos decir con mayor confianza que el dulce proviene
de una caja tipo A que tipo B
Ejercicio propuesto: Si al sacar un dulce, corresponde a un dulce sin
azúcar (SA), ¿con que probabilidad podríamos decir que corresponde a
una caja tipo A?
11
Módulo 7: Teoría de decisiones
Árboles de Decisión:
Elementos necesarios:
• Probabilidades de ocurrencia de un evento
• Decisiones a tomar dependiendo de la ocurrencia de eventos.
• Inversiones o costos de decisión.
• Ventas o utilidades de negocio.
Diagramación:
Nodos de decisión
Nodo probabilístico
12
Módulo 7: Teoría de decisiones
Árboles de Decisión:
Estados de la naturaleza: Estas son las acciones externas que están fuera
de control de la persona que toma la decisión. Se les denota Ei.
Matriz de pago: Es la tabla que contiene los resultados de tomar cada una
de las posibles decisiones alternativas ante cada estado de la naturaleza
que pueda suceder (Di X Ei ). También se les denomina como Tabla de
resultados o ganancias condicionales. 13
Módulo 7: Teoría de decisiones
Árboles de Decisión:
Etapas de análisis:
Los árboles de decisión permiten desarrollar criterios de decisión para
evaluar lo que puede denominarse alternativas “de múltiples etapas”, donde
se toman decisiones dependiendo una de otra.
14
Módulo 7: Teoría de decisiones
Ejemplo Árbol de decisión:
Un agricultor de la zona está considerando plantar ésta temporada de invierno en
su predio agrícola zanahorias. El agricultor sabe que existe la posibilidad de que
se presente una helada, lo cual le haría perder la cantidad de M$5200 , pero en
caso de que aquello no suceda, considera que ganaría M$12000. Por otra parte
si no siembra, tiene la posibilidad de arrendar el predio a un valor de M$1200 si
las condiciones del clima son favorables, de lo contrario si hay heladas será
posible sólo a un valor de M$1000. Conforme a datos de años anteriores se
estima que la probabilidad de que este año hiele es de 60%. Ante ésta situación
construya la matriz de pago y el árbol de decisión.
Solución:
E2 (No
Estados de E1 (Haya Haya
decisión Helada) Helada)
D1; Sembrar -5200 12000
D2; No sembrar 1000 1200
15
Módulo 7: Teoría de decisiones
E1 M$-5200
B
M$12000
E2
A
E1 M$1000
E2 M$1200
16
Módulo 7: Teoría de decisiones
HE 0,6 M$-5200
1680 0,4
M$12000
NHE
A
0,6 M$1000
HE
1080
0,4
NHE M$1200
17
Módulo 7: Teoría de decisiones
Ejemplo 2 Árbol de decisión:
Solución: Estados de
decisión E1 (Gana) E2 (Pierde)
Juicio 0 200
Acuerdo 50
18
Módulo 7: Teoría de decisiones
Gana 0,7 0
60 0,3
MM$200
Pierde
50
MM$50
demanda de
tortas Nº de días
900 35
1000 45
1100 20
Total 100
20
Módulo 7: Teoría de decisiones
Ejercicio árbol de decisión propuesto
21
Módulo 7: Teoría de decisiones
Ejercicio árbol de decisión con teorema de bayes
22
Módulo 7: Teoría de decisiones
Ejercicio árbol de decisión con teorema de bayes
23
Módulo 7: Teoría de decisiones
Ejercicio árbol de decisión con teorema de bayes
LL=0,47 150
C/CARPA
-50 176,5
126,5
NLL=0,53
200
S/CARPA
DLL=0,68
LL=0,47
59
-100
130,02 LL=0,25
150
C/CARPA NLL=0,53
187,5
CONTRATAR 200
-50
DNLL=0,32
-20
137,5
NLL=0,75 200
S/CARPA
130 LL=0,25
LL=0,40 150 125
-100
Conviene no contratar a
180 la oficina y colocar la
NLL=0,6 NLL=0,75
200 carpa, con un VE de
NO CONTRATAR C/CARPA 200 ganancia de US$130.000
-50
-100
LL=0,40
130 S/CARPA
80 NLL=0,6
200
24