INSTITUTO POLITCNICO NACIONAL

ESCUELA SUPERIOR DE TURISMO

Seccin de Estudios de Posgrado e Investigacin

Tcnicas y modelos para la toma de decisiones

Reporte de lectura

Unidad V. Anlisis Bayesiano

Por Gloria Godnez Guerrero

Mxico, Distrito Federal, a 26 de junio de 2015

V.

ANLISIS BAYESIANO

Un teorema es una proposicin demostrable lgicamente partiendo de axiomas o de otros teoremas ya

demostrados, mediante reglas de inferencia aceptadas. Un axioma es cada uno de los principios
fundamentales e indemostrables sobre los que se construye una teora.
El teorema de Bayes fue desarrollado por el reverendo presbiteriano ingls Thomas Bayes en el siglo
XVIII, quien se pregunt acerca de la probabilidad de que Dios exista, usando como base la evidencia
de que dispona en la tierra.
El teorema de Bayes se refiere a la probabilidad de ocurrencia de un fenmeno, dada la probabilidad
de ocurrencia de otro fenmeno; o dicho de otra manera, de la probabilidad a posteriori, dada una
probabilidad a priori. El teorema se expresa matemticamente de la siguiente forma:

P ( A 1|B )=

P ( A 1) P ( B|A 1 )
P ( A 1 ) P ( B| A1 ) + P ( A2 ) P ( B| A 2 )

La probabilidad de que ocurra A1 dada la probabilidad de B es igual al cociente de la probabilidad de

ocurrencia de A1 por la probabilidad de que ocurra B condicionada por la probabilidad de A1; entre la
probabilidad de ocurrencia de A1 por la probabilidad de que ocurra B condicionada por la probabilidad
de A1 ms la probabilidad de A2 por la probabilidad de que ocurra B condicionada por la probabilidad de
A2.
El teorema de Bayes se usa para facilitar la toma de decisiones en un contexto de bajo riesgo, cuando
existe una relacin de probabilidad inversa. Para ejemplificar su uso se propone el siguiente
planteamiento:
Suponga que el 5% de la poblacin de un pas ficticio padece una enfermedad que no es
originaria de ese lugar; por lo tanto, sabemos que si seleccionamos a un habitante al azar, la
probabilidad de que tenga la enfermedad es de 0.05. Por lo tanto, obtenido por diferencia,
sabemos que la probabilidad de que la persona elegida no padezca la enfermedad es igual a
0.95 (1-0.05).
Esta parte del problema nos ayuda a identificar la probabilidad a priori, que es la probabilidad inicial
del problema, misma que conocemos con base en el nivel actual de informacin y sin necesidad de
recolectar informacin emprica. La probabilidad a priori nos aporta informacin para determinar el
valor de las variables A1 y A2 para el teorema, como sigue:
A1: tiene la enfermedad = 0.05
A2: no tiene la enfermedad = 0.95
Continuando con el planteamiento, tenemos lo siguiente:
Existe un tratamiento para la enfermedad, pero es necesario aplicar una prueba para identificar
con mayor precisin a los individuos a quienes debe aplicarse. Para realizar el diagnstico existe
una prueba, pero no es muy exacta. La evidencia histrica muestra que si una persona
realmente padece la enfermedad, la probabilidad de que la prueba indique la presencia de la
misma vale 0.90.
Con esta parte del problema identificamos la probabilidad condicionada, que se expresa as:
B | A1: la prueba es positiva y el habitante tiene la enfermedad = 0.90
Sin embargo, nos falta determinar B | A2, es decir, la probabilidad de que la prueba sea positiva y el
habitante est sano. Esta probabilidad inversa no es equivalente, sino que incluye al margen de error
de la prueba misma, ms el nmero de personas que efectivamente no estn enfermas. Por tanto, es
necesario aplicar la siguiente frmula para encontrar este dato:

P ( B| A 2 )=P ( B|A 1 )

B
A2

B | A2: la prueba es positiva y el habitante no tiene la enfermedad = 0.15

Finalmente, el problema a resolver es el siguiente:
Si seleccionamos de forma aleatoria a un habitante al que se le aplica la prueba y el resultado
indica que el padecimiento est presente, cul es la probabilidad de que sta habitante
realmente padezca la enfermedad y deba recibir el tratamiento?
Con todos los datos que identificamos, se procede a realizar la sustitucin en la frmula:

P ( A 1|B )=

(0.05)(0.90)
0.045
=
=0.24
( 0.05 ) ( 0.90 ) +(0.95)(0.15) 0.1875

El resultado que arroja la frmula indica que la probabilidad de que un paciente est enfermo se
incrementa de 5% a 24% cuando el resultado de la prueba es positiva. Esto es lo que llamamos
probabilidad a posteriori, que es una probabilidad revisada con base en informacin adicional.
V.1

rboles de decisin

Los rboles de decisin son herramientas para seleccionar la mejor variable, considerando que la
informacin de entrada sea de buena calidad. Dadas las condiciones de la toma de decisiones, sta
podra hacerse en alguna de las tres categoras siguientes:
1. Toma de decisiones bajo certidumbre, en la que los datos se conocen de forma determinstica.
2. Toma de decisiones bajo riesgo, en la que los datos se pueden describir con distribuciones de
probabilidades.
3. Toma de decisiones bajo incertidumbre, en donde no es posible asignar factores de
ponderacin a los datos para representar su grado de importancia en el proceso de decisin.
A continuacin se muestran ejemplos de los tres casos.

Toma de decisiones con certidumbre: para este caso se usa el proceso de jerarqua analtica
(AHP por sus siglas en ingls), el cual est diseado para casos en que las ideas, sentimientos y
emociones se cuantifican con base en juicios subjetivos para obtener una escala numrica para
dar prioridades a las alternativas de decisin. Sin embargo, todos los datos o variables son
conocidos y, por ser subjetivo, estn ponderados de acuerdo al nivel de importancia que el
usuario considera para cada uno. La determinacin de la ponderacin de los factores puede
realizarse a travs de una matriz de comparacin.

Para ilustrar este mtodo, se plantea el siguiente problema:

Martin Hans, un brillante egresado de preparatoria, ha recibido tres ofertas de beca completa
en tres instituciones: U de A, U de B, y U de C. Para seleccionar una universidad, Martin enuncia
dos criterios principales: ubicacin y reputacin acadmica. Como es tan buen estudiante, juzga
que la reputacin acadmica es ms importante que el lugar, por lo tanto, desea saber cul de
las tres universidades es su mejor opcin.
Para resolver este problema, el primer paso es asignar una jerarqua o ponderacin a los criterios de
decisin, que son la ubicacin y la reputacin. De esta manera, l decide que la reputacin es cinco
veces ms importante que la ubicacin, y realiza una matriz de comparaciones con estos valores
(cuadro azul). Para obtener el peso relativo de cada factor de decisin, primero se suma cada columna
de la matriz; posteriormente se realiza una matriz normalizada (cuadro rosa), en la que cada elemento
de la tabla es dividido entre la sumatoria total de su respectiva columna, y finalmente, se obtiene el
promedio de rengln, el cual representa la ponderacin o peso relativo que se asignar a cada factor

de decisin. En este caso, redondeando el resultado, la localizacin tiene un peso relativo de 0.17,
mientras que la reputacin tiene un peso relativo de 0.83.

Posteriormente se procede a realizar la evaluacin de las tres alternativas de decisin con las que
Martin cuenta. Para ello, l evala cada opcin en funcin de sus propias caractersticas y asigna
valores a cada universidad. De esta forma, considera que la ubicacin de la U de C es la ms
conveniente y le asigna el valor 5, y distribuye otros valores a las dems universidades, y despus
realiza el mismo procedimiento explicado anteriormente. Si Martin tomara la decisin de la universidad
nicamente valorando la ubicacin, su mejor opcin sera la U de C, ya que es la que obtiene el valor
ponderado ms alto.

Posteriormente, Martin evala la reputacin de las universidades. En este caso, considera que la U de A
tiene mejor reputacin sobre las otras universidades, por lo que asigna a sta los valores ms altos, y
nuevamente realiza el mismo procedimiento. En este caso, si su decisin se basara nicamente en la
reputacin, su mejor opcin sera la U de A.

Sin embargo, Martin est buscando una opcin en la que de manera ponderada se refleje la
importancia relativa de ambos criterios de decisin. Por tanto, el paso final de este ejercicio es tener
la evaluacin de cada universidad, en la que se conjugan todos los valores jerrquicos anteriormente
obtenidos. Por lo tanto, es necesario realizar una ltima tabla en la que se multiplican los valores

ponderados de cada criterio de seleccin para cada universidad. As, la decisin ptima es la U de A.

Si este procedimiento se muestra en un rbol de decisin, lucira de esta manera:

Toma de decisiones de bajo riesgo. En condiciones de riesgo, las ventajas asociadas a cada
alternativa de decisin se describen con probabilidades basadas en algn criterio de valor
esperado que sirve de gua, y cuya lgica es la de maximizar o minimizar el valor esperado,
segn la naturaleza del problema.

Para este tipo de problemas, la probabilidad de riesgo se conoce a priori, por lo que la solucin usando
el rbol de problemas es muy simple. Para ejemplificar este caso, se presenta el siguiente problema:
Suponga que desea invertir $10,000 en el mercado de valores, comprando acciones de una de
dos compaas: A y B. Las acciones de la compaa A son arriesgadas, pero podran producir un
rendimiento de 50% sobre la inversin durante el ao prximo. Si el mercado estuviera a la
baja, las acciones podran perder el 20% de su valor. La empresa B proporciona utilidades
seguras de 15% en un mercado a la alza, y de slo 5% en un mercado a la baja. Las publicaciones
especializadas predicen que hay 60% de probabilidad de que el mercado est al alza y 40% de
que est a la baja. Dnde debera invertir su dinero?
Los datos que se usarn en el problema de decisin son los siguientes:

Con base en este anlisis, la solucin ptima sera invertir en las acciones de la empresa A.

Decisiones bajo incertidumbre. La toma de decisiones bajo incertidumbre implica acciones

alternativas cuyas retribuciones dependen de los estados de la naturaleza, es decir, son
aleatorios, pero su complejidad radica en que la distribucin de las probabilidades se
desconoce o no se puede determinar. Para resolver estos problemas, se han desarrollado al
menos cuatro criterios: Laplace, Minimax, Savage, y Hurwicz, los cuales difieren en el grado de
conservadurismo de quien tome las decisiones al enfrentar la incertidumbre.

El principio de Laplace se basa en el principio de la razn insuficiente. ste asume que la distribucin
de las probabilidades entre los estados de la naturaleza podran ser similares, por lo que las
alternativas se evalan con una hiptesis optimista de que es igualmente probable que ocurra
cualquiera de los estados. Como respuesta, la mejor alternativa es aqulla que produce la mejor
maximizacin o minimizacin, segn sea lo que se est buscando.
El criterio Minimax o Maximin es un modelo ms conservador, basado en seleccionar la mejor entre las
peores condiciones posibles. El criterio de pesadumbre o arrepentimiento de Savage modera el
criterio Minimax.
El criterio de Hurwicz est diseado para reflejar las actitudes de toma de decisiones que vayan desde
la ms optimista hasta la ms pesimista.
V.2

Probabilidades a priori

Como ya se mostr en la explicacin general del teorema de Bayes, las probabilidades a priori son
aqullas en las que es posible estimar basados en la informacin existente y sin necesidad de hacer una
recoleccin emprica de datos. Estas probabilidades, sin embargo, presentan informacin incompleta
para la toma de decisiones, ya que los elementos podran estar sujetos a otras condiciones tambin
sujetas a probabilidad. Para evitar estos errores se realiza la aplicacin del teorema de Bayes.
V.3

Aplicacin del teorema de Bayes

El teorema de Bayes se puede aplicar en la toma de decisiones cuando hay variaciones del criterio de
valor esperado. Para ilustrar esta aplicacin, se usarn los datos del modelo de toma de decisiones de
bajo riesgo, en el que ya se expuso la informacin a priori disponible.
Suponga que adems, desea usar la opinin de un experto en el mercado de valores para aadir
nueva informacin a la decisin de inversin. El experto ofrece la opinin general a favor o
en contra de invertir. Esa opinin se cuantifica de la siguiente manera: si es un mercado a la
alza, hay 90% de probabilidad de que el voto sea a favor. Si es un mercado a la baja, la
probabilidad de un voto a favor baja a 50%. Cmo usar esta informacin adicional?

Bsicamente se trata del mismo ejercicio de la decisin de bajo riesgo, con la diferencia de que ahora
tenemos una probabilidad condicional que es la opinin del experto (90% a favor en un mercado a la
alza, y 50% en un mercado a la baja). Por ello, debemos realizar la operacin de la probabilidad
conjunta, y finalmente obtener una probabilidad a posteriori.

En este caso, el cambio que ocurre con respecto al ejercicio anterior es la aplicacin de las
probabilidades a posteriori o revisadas, que cambian a partir de la inclusin de la opinin del experto
consultado.

La respuesta tambin puede expresarse en un rbol de solucin, de la siguiente manera:

VI.

BIBLIOGRAFA
Mason, R., Lind, D. & Marchal, W. (2003). Estadstica para Administracin y Economa. Bogot:

Alfaomega.
Taha, H. (2004). Investigacin de operaciones. Mxico: Prentice Hall.