Ingeniería Industrial

Pregrado

ESTUDIO
SESIÓN 02:
DEL
TRABAJO
El Teorema de Bayes para la Toma de Decisiones
INGENIERIA INDUSTRIAL

2021 - II 1
TEMARIO Ingeniería Industrial
Pregrado

Tema 1: Uso de las probabilidades en la toma de decisiones

Tema 2: Teorema de Bayes

Tema 3: Valor esperado con probabilidades revisadas

Tema 4: Ganancia esperada con la información adicional

2
 Escuela Profesional de
Ingeniería Industrial

Logro de Aprendizaje

Logro:
Al finalizar la sesión, el estudiante aplica el Teorema de Bayes para
la toma de Decisiones.

DÍA EL
 SITUACION MOTIVACIONAL:

Los asesores de inversión estimaron rendimientos del mercado bursátil para cuatro segmentos de mercado:
cómputo, financiero, manufactura y farmacéutico. Las proyecciones de rendimientos varían dependiendo de si
las condiciones económicas generales tienen una mejora, son estables o están en declive. Los porcentajes de
rendimiento anual para cada segmento de mercado bajo cada condición económica son los siguientes:

Suponga que un inversionista quiere seleccionar un segmento de mercado para una nueva inversión. Un
pronóstico muestra condiciones económicas de estables a en declive con las tres probabilidades iniciales: mejora
(0.20), estable (0.50) y en declive (0.30).
En una fecha posterior, un pronóstico revisado muestra la posibilidad de una mejora en las condiciones
económicas. Estas nuevas probabilidades son: mejora (0.40), estable (0.40) y en declive (0.20).
PREGUNTAS:

• Con las probabilidades a priori ¿Cuál es el segmento

de mercado preferible para el inversionista y cuál el
porcentaje de rendimiento esperado?
• Con las probabilidades mejoradas ¿Cuál es el
segmento de mercado preferido para el inversionista
con base en estas nuevas probabilidades? ¿Qué
método aplicar ?

Participa en el chat o levantando la mano del ZOOM

Introducción
• Desde el punto de vista matemático se puede demostrar que
con el Cálculo de Probabilidades se puede representar de modo
numérico el conjunto racional de creencias, de modo que existe
una relación entre probabilidad y la información.

• La regla de Bayes proporciona un modo natural de actualización

de las creencias cuando aparece nueva información. Este
proceso de aprendizaje inductivo por medio de la regla de Bayes
es la base de la Inferencia Bayesiana.
Introducción
• La diferencia fundamental entre la estadística clásica (frecuentista) y la
bayesiana es el concepto de probabilidad. Para la estadística clásica es
un concepto objetivo, que se encuentra en la naturaleza, mientras que
para la estadística bayesiana se encuentra en el observador, siendo así
un concepto subjetivo.

• De este modo, en estadística clásica solo se toma como fuente de

información las muestras obtenidas suponiendo, para los desarrollos
matemáticos, que se pueden tomar tamaños límite de las mismas. En el
caso bayesiano, sin embargo, además de la muestra también juega un
papel fundamental la información previa o externa que se posee en
relación a los fenómenos que se tratan de modelizar.
Explicación
El Teorema de Bayes es un procedimiento que nos permite expresar la
probabilidad condicional de un evento aleatorio A dado B, en términos
de la distribución de probabilidad del evento B dado A y la distribución
de probabilidad de solo A.
Este teorema es de mucha utilidad, ya que gracias a él podemos
relacionar la probabilidad de que un evento A ocurra sabiendo que
ocurrió B, con la probabilidad de que ocurra lo contrario, es decir, que
ocurra B dado A.
Explicación
Primero, para una mayor compresión de este teorema, son necesarias
algunas nociones básicas de teoría de probabilidad, especialmente el
teorema de la multiplicación para probabilidad condicional, el cual
establece que:

Para E y A eventos arbitrarios de un espacio muestral S.

Explicación
Teniendo esto, sea B otro evento, donde las Ai intersectadas con B son
eventos mutuamente exclusivos.
Y en consecuencia:

Luego, aplicando el teorema de la multiplicación:

Por otra parte, la probabilidad condicional de Ai dado B se

define por:
Explicación
Sustituyendo de manera adecuada tenemos que para cualquier i, la
probabilidad del evento Ai dado B, es la expresión matemática adjunta
conocida como el Teorema de Bayes:
Ejemplo 1: En un aula de estudiantes universitarios el 70% de los
alumnos son hombres. De ellos el 10% son fumadores. El 20% de las
mujeres son fumadoras. Se desea saber:
a) ¿Qué porcentaje de fumadores hay en total?
b) Si se elige a un individuo al azar y resulta fumador. ¿Cuál es la
probabilidad de que sea una mujer?

Podemos aplicar la ley de

la probabilidad total:
Mujeres
Hombres y mujeres forman Hombres
un sistema exhaustivo y Fumadores
excluyente de sucesos.
Solución a) Fuma
0,1

Hombre
0,7
No fuma
0,9
Estudiante

0,2
0,3 Fuma
Mujer

0,8
No fuma

P(F) = P(F∩H) + P(F∩M) = P(H) P(F|H) + P(M) P(F|M)

= 0,7 * 0,1 + 0,3 * 0,2 = 0,13 =13%
 Fuma
Solución b) 0,1

Hombre
0,7
No fuma
0,9
Estudiante

0,2
0,3 Fuma
Mujer

0,8
No fuma

P(M) = 0,3 P(F) = 0,13

P(M|F) = P(F ∩ M) / P(F)
= P(M) . P(F|M) / P(F)
0,3 · 0,2 / 0,13 = 0,46 = 46%
Ejemplo 2
Una empresa de celulares tiene dos máquinas A y B. El 54% de los celulares
producidos son hechos por la máquina A y el resto por la máquina B. No todos los
celulares producidos están en buen estado.
La proporción de celulares defectuosos hechos por A es 0.2 y por B es 0.5. Se
desea saber:
a.¿Cuál es la probabilidad de que un celular de dicha fábrica sea defectuoso?
b.¿Cuál es la probabilidad de que, sabiendo que un celular es defectuoso,
proceda de la máquina A?
Solución a) defectuoso
0,2

Maquina A
0,54 No
defectuoso
0,8
Celular

0,5
0,46 defectuoso
Maquina B

0,5 No
defectuoso

P(D) = P(D∩A) + P(D∩B) = P(A) P(D|A) + P(B) P(D|B)

= 0,54 * 0,2 + 0,46 * 0,5 = 0,338 =33,8%
Solución b) defectuoso
0,2

Maquina A
0,54 No
defectuoso
0,8
Celular

0,5
0,46 defectuoso
Maquina B

0,5 No
defectuoso

P(A|D) = P(A) P(D|A) / P(A) P(D|A) + P(B) P(D|B)

= 0,54 * 0,2 / 0,54 * 0,2 + 0,46 * 0,5 = 0,319 =31,9%
Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.

La información adicional no siempre es perfecta, muchas veces los estudios

adicionales que se encargan tienen cierto margen de error. La información
adicional mejora la probabilidad obtenida de la ocurrencia de un determinado
estado de la naturaleza y ayuda al tomador de decisiones a escoger la mejor
opción.
La estadística Bayesiana construye un modelo a partir de información adicional
obtenida a partir de diversas fuentes.
Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
El teorema de Bayes:
Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
A partir del teorema de Bayes podemos calcular la Ganancia esperada con la Información
adicional (GECIA):
La expresión matemática para su cálculo es la siguiente:
Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
Para su cálculo seguimos los siguientes pasos:
1. Clasificamos la información adicional obtenida como probabilidad
condicionada distinguiendo cada uno de los escenarios planteados.
2. Calculamos la probabilidad conjunta con la formula de Bayes para cada
alternativa en cada escenario planteado.
3. Calculamos la sumatoria de probabilidades conjuntas para cada escenario
planteado.
4. Calculamos la probabilidad revisada para cada alternativa en cada escenario.
5. Calculamos la ganancia esperada con la probabilidad revisada para cada uno
de los escenarios planteados.
6. Calculamos el GECIA
Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
También podemos calcular el valor esperado de la información
adicional, es decir, el mayor valor esperado por contar con una mejor
información.
Se calcula como la diferencia entre el GECIA y el mayor valor esperado
con la información a priori.
 Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
Ejemplo:
Retomemos el ejemplo de Juan Pérez. Supongamos que hemos contratado un informe adicional que nos
indica la probabilidad de ocurrencia de una gran alza, pequeña alza, etc. condicionada a que el crecimiento
económico sea positivo o negativo. Tenemos además que en situación de riesgo las probabilidades de los
estados de la naturaleza. Los resultados se pueden ver en la siguiente tabla:
Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
Solución:
Pasos:
1) Clasificamos la información adicional obtenida como probabilidad
condicionada distinguiendo cada uno de los escenarios planteados. En este caso
viene ya en la tabla.
2) Calculamos la probabilidad conjunta con la fórmula de Bayes para cada
alternativa en cada escenario planteado.
En caso de crecimiento positivo la probabilidad conjunta que se produzca una
gran alza sería:
Aplicando el mismo criterio el resto de probabilidades conjuntas serian:
pequeña alza: 0.70*0.30=0.21
sin cambios: 0.50*0.30=0.15
pequeña baja: 0.40*0.10=0.04
gran baja: 0.00*0.10=0.00
Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
Y así vamos completando para cada escenario (crecimiento positivo, crecimiento
negativo), la probabilidad de ocurrencia de cada alternativa.
En caso de crecimiento negativo la probabilidad conjunta que se produzca una
gran alza sería:

Aplicando el mismo criterio el resto de probabilidades conjuntas serian:

pequeña alza: 0.30*0.30=0.09
sin cambios: 0.50*0.30=0.15
pequeña baja: 0.60*0.10=0.06
gran baja: 1.00*0.10=0.10
Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
3) Calculamos la sumatoria de probabilidades conjuntas para cada
escenario planteado.

Para el caso de crecimiento positivo la sumatoria sería:

Para el caso de crecimiento negativo la sumatoria sería:

 Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
4) Calculamos la probabilidad revisada para cada alternativa en cada escenario.
En caso de crecimiento positivo la probabilidad revisada que se produzca
una gran alza sería:

Aplicando el mismo criterio el resto de probabilidades revisadas serian:

pequeña alza: 0.21/0.56=0.375
sin cambios: 0.15/0.56=0.268
pequeña baja: 0.04/0.56=0.071
gran baja: 0.00/0.56=0.000
 Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
En caso de crecimiento negativo la probabilidad revisada que se produzca
una gran alza sería:

Aplicando el mismo criterio el resto de probabilidades revisadas serian:

pequeña alza: 0.09/0.44=0.204
sin cambios: 0.15/0.44=0.340
pequeña baja: 0.06/0.44=0.136
gran baja: 0.10/0.44=0.227
 Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
5) Calculamos la ganancia esperada con la probabilidad revisada para cada
uno de los escenarios planteados.

En caso de crecimiento positivo la probabilidad revisada para la alternativa del

oro sería:

Aplicando el mismo criterio el resto de probabilidades revisadas serian:

E(bono)=250*0,286+200*0,375+150*0,268-100*0,071-150*0 = 179,6
E(negocio)=500*0,286+250*0,375+100*0,268-200*0,071-600*0 =249,35
E(certificado)=60*0,286+60*0,375+60*0,268+60*0,071+60*0 =60
E(acciones)=200*0,286+150*0,375+150*0,268-200*0,071-150*0 =139,45
 Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.

En caso de crecimiento negativo la probabilidad revisada para la alternativa del

oro sería:

Aplicando el mismo criterio el resto de probabilidades revisadas serian:

E(bono)=250*0,090+200*0,204+150*0,340-100*0,136-150*0,227 = 66,65
E(negocio)=500*0,090+250*0,204+100*0,340-200*0,136-600*0,227 = -33.4
E(certificado)=60*0,090+60*0,204+60*0,340+60*0,136+60*0,227 =59,82
E(acciones)=200*0,090+150*0,204+150*0,340-200*0,136-150*0,227 =38,35
Utilización de la información imperfecta y el concepto de valor
esperado en contexto de riesgo.
6) Calculamos el GECIA, para ello marcamos el mayor valor esperado
para cada uno de los escenarios planteados

GECIA = 249,35*0,56 + 120,2*0,44 = 192,52

7) Calculamos GEIA

GEIA = 192,52 – 130 =62,52

En conclusión, la cantidad máxima que debería pagar Juan Perez por un informe
externo es de 62,52 dólares.
TRABAJO EN EQUIPO

Resolver los ejercicios propuestos de la

actividad semanal de la sesión 2

Participa en el chat o levantando la mano del ZOOM

 Escuela Profesional de
Ingeniería Industrial

GRACIAS POR SU ATENCION.

DÍA EL
 Ingeniería Industrial
Pregrado

¡Gracias!
34