La capacidad de rastrear los cambios del entorno circundante es fundamental para que los humanos y los animales adapten sus comportamientos. En entornos de alta dimensionalidad, las interacciones entre cada dimensión deben estimarse para una mejor percepción y toma de decisiones, por ejemplo, en tareas de cognición volátil o social. Desarrollamos un modelo bayesiano jerárquico para inferir y tomar decisiones en entornos volátiles multidimensionales. El modelo bayesiano jerárquico se compone de un modelo perceptual jerárquico y un modelo de respuesta. Utilizando el método de Bayes variacional, derivamos reglas de actualización en forma cerrada. Estas reglas de actualización también constituyen un esquema completo de codificación predictiva. Para validar la efectividad del modelo en entornos volátiles multidimensionales, definimos una tarea de apuestas probabilísticas modificada de una máquina tragamonedas de dos brazos. Los resultados de la simulación demostraron que un agente dotado con el modelo bayesiano jerárquico propuesto es capaz de inferir y actualizar su creencia interna sobre la tendencia y la volatilidad de las entradas sensoriales. Basado en la creencia interna de las entradas sensoriales, el agente produjo un comportamiento casi óptimo siguiendo su modelo de respuesta. Nuestros resultados señalaron que este modelo es un marco viable para explicar la dinámica temporal del comportamiento de decisiones humanas en entornos complejos y de alta dimensionalidad.