solucionej5_a.bayesiano_2 (1) - copia
DESCRIPTION
Solucion para el ejemplo 5 de investigacion de operaciones reporte 2TRANSCRIPT
-
MC / IO Modelos para Toma de decisiones Ejemplo Anlisis Bayesiano
Problema Nmero 5 Prof. V. Garcia T. Fuente: Bibliografa propuesta Pg. 1
Ejemplo 5 clase._ Para el caso de Pemex, cuya matriz de pagos se muestra abajo (millones de pesos mensuales),
considere que han sido estimadas las probabilidades a priori ah mismo mostradas. Haciendo uso de esta probabilidad,
aplique el criterio de Bayes para seleccionar una alternativa.
Alternativas de
pemex.
Estados de la naturaleza
E1: Existen yacimientos del
orden de un
milln de
barriles diarios
E2: Existen yacimientos del
orden de 200
mil barriles
diarios.
E3: Slo existe gas.
E4: Regin seca
A1: No hacer nada - 500 - 100 - 50 0
A2: Explorar y explotar 500 100 50 - 900
A3: Realizar estudios
ms completos - 30 - 30 - 30 - 30
Probabilidad P(Ej) 0.55 0.30 0.10 0.05
Clasificacin
ssmica:
E1
E2
E3
E4
Total
de
estudios
I: estructura
geolgica cerrada
(altamente favorable)
20 40 100 10
II: Un poco ms
abierta
8 20 25 20
III: Estructura
abierta
2 5 5 30
IV: no existe
estructura
geolgica
0 5 20 190
Total 30 70 150 250 500
SOLUCIN .
a) Haciendo uso de esta probabilidad, aplique el criterio de Bayes para
seleccionar una alternativa.
1.- Clculo de valores esperados para cada alternativa: E(A1)= (-500)(0.55)+(-100)(0.30)+(-50)(0.10)+0(0.05) = - 310 mpm
E(A2)= 500(0.55)+100(0.30)+50(0.10)+(-900)(0.05) = 265 mpm * E(A3)= (-30)(0.55)+(-30)(0.30)+(-30)(0.10)+(-30)(0.05) = - 30 mpm
* El criterio de Bayes selecciona la mnima prdida esperada, o su equivalente, la mxima ganancia esperada; en este caso, se elige A2.
2.- Clculo del valor esperado con informacin perfecta: (Para cada estado de la naturaleza se escoge el valor ms alto (caso de beneficio))
E1=500
E2=100
E3=50
E4=0
E(IP)= 500(0.55)+100(0.30)+50(0.10)+0(0.05) = 310 mpm
3.- Clculo del valor de la informacin perfecta:
VIP= E(IP) E(A2*)= 310 265 = 45 mpm
b) Suponga que Pemex realiza estudios ssmicos de la regin a un costo de
112 millones de pesos. Estos estudios
(sondeos ssmicos) producen
resultados que pueden clasificarse en
cualquiera de los siguientes cuatro
grupos I, II, III o IV; de 500 estudios
realizados, se tiene la siguiente matriz
de frecuencias:
Considere tambin que se tiene la siguiente poltica arbitraria
(regla de decisin): Si la CS es I o II, se elige la alternativa 2; Si es
III, se escoge la alternativa 3; si es IV se escoge la alternativa I.
Realice el clculo del riesgo esperado.
c) Haciendo uso de estos estudios, podra cambiar su decisin a
priori?
d) Es conveniente estar haciendo uso de informacin adicional?
( ) ( ( ))E x x f x
(Esto es lo que se estara dispuesto a pagar por conocer con
anticipacin el mejor resultado)
-
MC / IO Modelos para Toma de decisiones Ejemplo Anlisis Bayesiano
Problema Nmero 5 Prof. V. Garcia T. Fuente: Bibliografa propuesta Pg. 2
c) Haciendo uso de estos estudios, podra cambiar su decisin a priori?
1.- Matriz de Probabilidades condicionales P(xi l Ej )
E1 E2 E3 E4
XI 20/30 = 0.666 40/70 = 0.571 100/150 = 0.666 10/250 = 0.040
XII 8/30 = 0.266 20/70 = 0.285 25/150 = 0.166 20/250 = 0.080
XIII 2/30 = 0.068 5/70 = 0.072 5/150 = 0.035 30/250 = 0.120
XIV 0/30 = 0.0 5/70 = 0.072 20/150 = 0.133 190/250 = 0.760
2.- Clculo de probabilidades a posteriori, para cada valor de xi
Para xI: P(Ej l xI )
P(Ej ) P(xI l Ej ) ( )j IP E x P(Ej l xI )
E1 0.55 0.666 0.3663 0.6043 E2 0.30 0.571 0.1713 0.2826 E3 0.10 0.666 0.0666 0.1099 E4 0.05 0.040 0.0020 0.0032 0.6062
Clculo del valor esperado de cada alternativa: (Si el experimento resulta del tipo I)
E(A1 l xI )= (-500)(0.6043)+(-100)(0.2826)+(-50)(0.1099)+0(0.0032) = - 335.91 mpm
E(A2 l xI )= 500(0.6043)+100(0.2826)+50(0.1099)+(-900)( 0.0032) = 333.025 mpm * E(A3 l xI )= (-30)( 0.6043)+(-30)( 0.2826)+(-30)( 0.1099)+(-30)( 0.0032) = - 30 mpm
* Mxima ganancia esperada, se elige A2.
Para xII: P(Ej l xII )
P(Ej ) P(xII l Ej ) ( )j IIP E x P(Ej l xII )
E1 0.55 0.266 0.1463 0.5796 E2 0.30 0.285 0.0855 0.3387 E3 0.10 0.166 0.0166 0.0658 E4 0.05 0.080 0.0040 0.0159 0.2524
Clculo del valor esperado de cada alternativa: (Si el experimento resulta del tipo II)
E(A1 l xII )= (-500)(0.5796)+(-100)(0.3387)+(-50)(0.0658)+0(0.0159) = - 326.96 mpm
E(A2 l xII )= 500(0.5796)+100(0.3387)+50(0.0658)+(-900)( 0.0159) = 312.65 mpm * E(A3 l xII )= (-30)( 0.5796)+(-30)( 0.3387)+(-30)( 0.0658)+(-30)( 0.0159) = - 30 mpm
P( xI )=0.6062
0.55 X 0.666 = 0.3663
0.3663/0.6062=0.6043
P( xII )=0.2524
-
MC / IO Modelos para Toma de decisiones Ejemplo Anlisis Bayesiano
Problema Nmero 5 Prof. V. Garcia T. Fuente: Bibliografa propuesta Pg. 3
* Mxima ganancia esperada, se elige A2.
Para xIII: P(Ej l xIII )
P(Ej ) P(xIII l Ej ) ( )j IIIP E x P(Ej l xIII )
E1 0.55 0.068 0.0374 0.5460 E2 0.30 0.072 0.0216 0.3153 E3 0.10 0.035 0.0035 0.0511 E4 0.05 0.120 0.0060 0.0876 0.0685
Clculo del valor esperado de cada alternativa: (Si el experimento resulta del tipo III)
E(A1 l xIII )= (-500)(0.5460)+(-100)(0.3153)+(-50)(0.0511)+0(0.0876) = - 307.085 mpm
E(A2 l xIII )= 500(0.5460)+100(0.3153)+50(0.0511)+(-900)( 0.0876) = 228.25 mpm * E(A3 l xIII )= (-30)( 0.5460)+(-30)( 0.3153)+(-30)( 0.0511)+(-30)( 0.0876) = - 30 mpm
* Mxima ganancia esperada, se elige A2.
Para xIV: P(Ej l xIV )
P(Ej ) P(xIV l Ej ) ( )j IVP E x P(Ej l xIV )
E1 0.55 0 0 0 E2 0.30 0.072 0.0216 0.2963 E3 0.10 0.133 0.0133 0.1824 E4 0.05 0.760 0.0380 0.5213 0.0729
Clculo del valor esperado de cada alternativa: (Si el experimento resulta del tipo IV)
E(A1 l xIV )= (-500)(0. 0)+(-100)(0.2963)+(-50)(0.1824)+0(0.5213) = - 38.75 mpm
E(A2 l xIV )= 500(0. 0)+100(0.2963)+50(0.1824)+(-900)( 0.5213) = - 430.42 mpm
E(A3 l xIV )= (-30)( 0. 0)+(-30)( 0.2963)+(-30)( 0.1824)+(-30)( 0.5213) = - 30 mpm *
* Mxima ganancia esperada, se elige A3.
3.- Clculo del valor esperado de la decisin empleando informacin adicional: E(IA)=0.6062(333.025)+0.2524(312.65)+0.0685(228.25)+0.0729(-30) = 294.24074mpm
4.- Clculo del valor neto de la informacin adicional:
VEIA= E(IA) E(A2*)= 294.24074 265 = 29.24074 mpm (beneficio adicional esperado)
*A2 fue la mejor opcin, sin considerar informacin adicional.
P( xIII )=0.0685
P( xIV )=0.0729
-
MC / IO Modelos para Toma de decisiones Ejemplo Anlisis Bayesiano
Problema Nmero 5 Prof. V. Garcia T. Fuente: Bibliografa propuesta Pg. 4
En este caso, el VEIA < VIP (esto es, 29.24074< 45); pero slo se justifica la adquisicin de informacin
adicional, si su beneficio esperado es mayor al costo de esta informacin adicional. En este ejemplo, se
tiene el dato de que el costo de la informacin adicional es de 112 mpm. Entonces, como 29.24074
-
MC / IO Modelos para Toma de decisiones Ejemplo Anlisis Bayesiano
Problema Nmero 5 Prof. V. Garcia T. Fuente: Bibliografa propuesta Pg. 5
5.- Seleccionar Resuelva y analice, Resuelva el problema, Aceptar y se tendr la tabla siguiente:
6.- En Resultados puede obtener las siguientes tablas:
** Alternativa seleccionada,
segn los diferentes criterios
de modelos Sin Datos Previos.
Criterios de anlisis Sin
datos previos
Resultados obtenidos segn el
anlisis Bayesiano arriba
descrito.
Valores esperados de cada
alternativa, usando
probabilidades a Posteriori
-
MC / IO Modelos para Toma de decisiones Ejemplo Anlisis Bayesiano
Problema Nmero 5 Prof. V. Garcia T. Fuente: Bibliografa propuesta Pg. 6
Matriz de probabilidades a posteriori
Matriz de probabilidades marginales (de los eventos xi)
Matriz de probabilidades conjuntas ( )j iP E x
rbol de decisin:
-
MC / IO Modelos para Toma de decisiones Ejemplo Anlisis Bayesiano
Problema Nmero 5 Prof. V. Garcia T. Fuente: Bibliografa propuesta Pg. 7