UNIDAD III
Arboles de Decisión
Resolución de problemas
1. Identificar y definir el problema
2. Determinar el conjunto de alternativas de solución
3. Determinar el criterio o criterios que se usará/n
para evaluar las alternativas
4. Evaluar las alternativas :
análisis cualitativo
análisis cuantitativo
5. Elegir una alternativa
6. Ponerla en práctica
7. Evaluar los resultados
Tipos de modelos
Certeza Incertidumbre
Problemas Casos Arboles de
simples decisión
Problemas Programación Simulación
complejos lineal, mixta MonteCarlo
Problemas PERT, Simulación,
dinámicos inventario colas, invent.
Análisis de decisión
El análisis de decisión es una herramienta
utilizada para seleccionar una estrategia
cuando un tomador de decisiones tiene varias
alternativas u opciones a seguir y una serie
incierta de eventos futuros (que llamaremos
“estados de la naturaleza”).
Análisis de decisión
Por ejemplo, cuando se desea desarrollar una actividad
recreativa se tiene la opción de hacerla al aire libre o en
un
espacio cerrado (esto es una decisión), sin embargo; el
factor clima no puede ser controlado y la única certeza
que tenemos nos la puede dar un pronóstico del
tiempo, el cual puede ser o no ser preciso (el clima es
un estado de la naturaleza)
Análisis de decisión
Nublado
Al aire libre Soleado
Llueve
Actividad
Nublado
Espacio
Soleado
cerrado
Llueve
Análisis de decisión
Otro ejemplo es la apertura de un negocio. En este caso
se tiene una serie de opciones en cuanto a tamaño,
inversión inicial o mezcla de productos a manejar, entre
otras. Estas pueden ser tomadas por la gente encargada
del negocio.
En cambio, el comportamiento del mercado ante la
oferta
del negocio es un fenómeno aleatorio.
Análisis de decisión
Demanda alta
Venta de
Software
Demanda baja
Negocio
Demanda alta
Asesoría
Informática
Demanda baja
Árboles de decisión
Un árbol de decisión muestra la manera en que
se
pueden desglosar los problemas y la secuencia
en los procesos de decisión. Está basado en el
teorema de Bayes.
Cuatro tipos de probabilidad
Marginal Unión Conjunta Condicional
P( X ) P( X Y ) P( X Y ) P( X | Y )
La probabilidad La probabilidad La probabilidad La probabilidad
de que ocurra de que ocurra de que ocurra de que ocurra
X XoY XeY X sabiendo que
ha ocurrido Y
X X Y X Y
Y
Probabilidad condicional
cuando se sabe que otro evento A se ha presentado
do A y se denota por
Probabilidad condicional
Lo que sucede en este caso es que el espacio
muestral del evento A se convierte en el nuevo
espacio muestral S o universo.
Espacio
muestral A (A∩
(A B)
Ejemplo
Para el siguiente diagrama de Venn se tiene que:
Ejemplo
En cierta ciudad, 75% de la gente consume el refresco
A,
55% el refresco B y 40% consume ambos.
a) ¿Cuál es la probabilidad de que una persona
seleccionada al azar consuma el refresco B, dado que
consume el A?
b) ¿Cuál es la probabilidad de que una persona
seleccionada al azar consuma el refresco B, dado que
no consume el A?
Ejemplo
a) ¿Cuál es la probabilidad de que una persona
seleccionada al azar consuma el refresco B, dado que
consume el A?
Ejemplo: b) ¿Cuál es la probabilidad de que una
persona
seleccionada al azar consuma el refresco B, dado que no
consume el A?
Ejemplo
En una escuela 50% de los alumnos lleva la clase de
teatro, 60% la clase de música y 30% llevan ambos
cursos.
a) Dado que un alumno lleva el curso de música, ¿cuál
es
la probabilidad de que curse teatro?
b) Dado que un alumno no cursa música, ¿cuál es la
probabilidad de que lleve teatro?
Ejemplo
a) Dado que un alumno lleva el curso de música,
¿cuál es la probabilidad de que curse teatro?
Ejemplo
b) Dado que un alumno no cursa música, ¿cuál es la
probabilidad de que lleve teatro?
Árbol de Bayes
Teorema de Bayes
• Sea A1, A2, ..., An una serie de eventos, tales
que la probabilidad de cada uno de ellos es
distinta de cero, y B otro evento del que se
conocen las probabilidades condicionales P( B/
Ai). Entonces la probabilidad P( Ai/B) viene dada
por:
Ejemplo
Tres sucursales, 1, 2 y 3 generan el 45%, 30% y 25%,
respectivamente, del total de las ventas en un negocio.
Los porcentajes de ventas con reclamo por mal
servicio de estas sucursales son de 3%, 4% y 5%.
a) Si se selecciona una venta al azar, calcula la
probabilidad de que tenga reclamación por mal
servicio.
b) Si se toma al azar una venta y resulta con
reclamación;
calcula la probabilidad de que haya sido generada por
la sucursal 2.
Ejemplo
c) Si se selecciona una venta al azar, calcula la
probabilidad de que no tenga reclamo.
d) Si se toma al azar una venta y no tiene
reclamación, calcula la probabilidad de que
haya sido hecha por la sucursal 2.
Ejemplo
• Para resolver este problema se construye un árbol de
Bayes usando las probabilidades dadas como
información.
• Pasos para construir un árbol:
– Se identifican en él los eventos correspondientes a
Cada sucursal 1, 2 y 3 y constituyen la primera serie de
ramas de un árbol.
Árbol de Bayes - Primer paso: Tres sucursales, 1, 2 y 3 generan el
45%, 30% y 25%, respectivamente, del total de las ventas en un negocio.
Árbol de Bayes - Segundo paso
Se identifican los eventos correspondientes al
porcentaje
de reclamaciones de cada sucursal (1, 2 y 3) y
constituyen
la segunda serie de ramas del árbol.
Los porcentajes de ventas con reclamo por mal
servicio de estas sucursales son de 3%, 4% y 5%.
Ejemplo teorema de Bayes
Ya con el árbol generado se pueden
contestar las preguntas:
a) Si se selecciona una venta al azar, calcula
la
probabilidad de que tenga reclamación por
mal servicio ( D).
Ejemplo
b) Si se toma al azar una venta y resulta con
reclamación; calcula la probabilidad de que
haya sido generada por la sucursal 2.
Revisando de nuevo el árbol de Bayes, vamos a
recorrer el camino de la segunda hacia la
primera rama, rastreando las reclamaciones
hasta la rama de la sucursal 2:
Ejemplo
Ejemplo
c) Si se selecciona una venta al azar,
calcular la
probabilidad de que no tenga reclamación.
Ejemplo
d) Si se toma al azar una venta y no tiene
reclamación,
calcula la probabilidad de que haya sido hecha por la
sucursal 2.
Árboles de decisión
Los árboles están compuestos de nodos y ramas:
Un nodo es un punto de unión. Hay dos tipos de
nodos: de decisión y de probabilidad.
Una rama es un conector entre dos nodos.
Árboles de decisión
Un nodo de decisión representa un punto en el que
se debe tomar una decisión. De estos nodos salen
ramas que son las posibles decisiones a tomar y se
representan con un cuadrado.
Un nodo de probabilidad (estado de la
naturaleza) representa el momento en que se produce
un evento aleatorio. De estos nodos salen ramas que
representan posibles resultados para eventos inciertos
en los que no se tiene control sobre su resultado. Se
representan con un círculo.
Árboles de decisión
a
m
Ra
Nodo de Decisión
Nodo de probabilidad
Árboles de decisión
En un árbol de decisión la secuencia de eventos se desarrolla
de izquierda a derecha.
Las probabilidades se indican en las ramas de estado de la
naturaleza. Son probabilidades condicionales de eventos que
ya sucedieron.
Los valores en dinero en los extremos de las ramas
dependen
de decisiones tomadas y estados de la naturaleza
previamente ocurridos.
La decisión que resulta de un análisis de árbol no es una
definitiva sino condicionada a la ocurrencia de eventos que
sucedan en la próxima decisión.
Selección de alternativas de decisión
Trabajando de atrás hacia adelante en el árbol, se
calcula un valor esperado para cada nodo de estado de
la naturaleza.
Dado que es posible controlar las ramas que salen de
cada nodo de decisión, se elige la rama que resulte en el
mayor valor esperado.
Se van tachando todas las ramas que no sean
seleccionadas.
Árboles de decisión: ejemplo
Un inversionista desea abrir con apoyo de un experto un negocio
de informática, sin embargo; no define cuál será el modelo de
negocio hacia el cual se enfocará: desarrollos o elaboración de
software empaquetado para su venta individual.
El inversionista plantea tres escenarios para la demanda de su
negocio: Alta, media y baja. En base a experiencias previas del
experto las probabilidades respectivas para cada demanda son:
Alta: 0.4, Media: 0.5 y Baja 0.1.
El costo por apertura y operación del negocio de desarrollos
durante el primer año se estima en 500,000.00. La ganancia por
una alta demanda se estima en 1,100,000.00, mientras que para
media y baja son 800,000.00 y 520,000.00 respectivamente.
Árboles de decisión: ejemplo
El costo por apertura y operación del negocio de software
empaquetado durante el primer año se estima en 550,000.00.
La ganancia por una alta demanda se estima en 1,000,000.00,
mientras que para media y baja son 750,000.00 y 620,000.00
respectivamente.
En ambos casos las cantidades monetarias se expresan como
valor presente.
Construye un árbol de decisión que muestre la secuencia de toma
de decisiones que se sigue para llegar a una conclusión.
Árboles de decisión: ejemplo
El primer paso es colocar en un esquema de árbol el
nodo de decisión, el cual tendrá dos ramas: una
correspondiente a el desarrollo y otra a el software
empaquetado.
De cada una de estas dos ramas saldrán otras tres que
representarán las demandas alta, media y baja
(estados de la naturaleza)
Al final de cada una de las ramas coloca los flujos
monetarios estimados para cada demanda.
Árboles de decisión: ejemplo
Árboles de decisión: ejemplo
Multiplica el flujo estimado por la probabilidad
correspondiente a cada demanda, así tendrás el flujo
estimado para cada opción.
Suma los flujos correspondientes a cada demanda, esto
para cada opción (desarrollo o producto
empaquetado) y define cual de ellos presentará la
mayor ganancia global esperada.
En base a esta cantidad define cuál decisión se toma. Se
tacha aquella rama que representa la menor ganancia.
Árboles de decisión: ejemplo
Árboles de decisión: ejemplo
De aquí se obtiene que la mejor decisión, al menos para
el
primer año de operación es el desarrollo de software a la
medida.
El ejemplo es bastante sencillo, en caso de querer
visualizar más eventos se van agregando tanto nodos
de decisión como nodos de probabilidad.
Decisión construcción de una planta grade o de una pequeña
INFORMACIÓN PARA EL ANALISIS DE DECISIÓN DEL PROBLEMA
PARA UNA PLANTA GRANDE
Millones de dólares
DEMANDA
PLANTA GRANDE Alta Media Baja
20 15 10
Rendimiento operación
Costos 10 10 10
Ganancia neta 10 5 0
Decisión construcción de una planta grade o de una pequeña
$10
D A (0.4)
M
D M (0.4)
Planta $5M
grande
D B (0.2)
$0M
D A (0.4)
Planta D M (0.4)
pequeña
D B (0.2)
Primer
punto de
decisión
Segundo punto de decisión
PLANTA PEQUEÑA
Costo de construcción de una planta pequeña es 6 millones de dólares
EXPANSIÓN
DEMANDA ALTA Gran Pequeña No
19 18 10
Rendimiento operación
Costos de expansión 5 3 0
Ganancia neta 8 9 4
Segundo punto de decisión demanda alta
$10
D A (0.4)
M
D M (0.4)
Planta $5M
grande
D B (0.2)
$0M Gran
$8M
expansión
Pequeña $9M
expansión
D A (0.4) No
Planta expandir $4M
D M (0.4)
pequeña
D B (0.2)
Primer Segundo
punto de punto de
decisión decisión
Segundo punto de decisión
PLANTA PEQUEÑA
Costo de construcción de una planta pequeña es 6 millones de dólares
EXPANSIÓN
DEMANDA MEDIA Pequeña No
Rendimiento operación 18 10
Costos de expansión 3 0
Ganancia neta 9 4
Segundo punto de decisión demanda media
$10
D A (0.4)
M
D M (0.4)
Planta $5M
grande Gran
$8M
D B (0.2) expansión
$0M
Pequeña $9M
expansión
No
expandir $4M
D A (0.4)
Pequeña $9M
Planta D M (0.4) expansión
pequeña
D B (0.2) No
expandir $4M
Primer Segundo
punto de punto de
decisión decisión
Segundo punto de decisión
PLANTA PEQUEÑA
DEMANDA BAJA
Rendimiento operación 10
Costos de construcción 6
Ganancia neta 4
Segundo punto de decisión demanda baja:
$10
D A (0.4)
M
D M (0.4)
Planta $5M
grande Gran
$8M
D B (0.2) expansión
$0M
Pequeña $9M
expansión
No
expandir $4M
D A (0.4)
Pequeña $9M
Planta D M (0.4) expansión
pequeña
D B (0.2) No
expandir $4M
Primer $10M - $6M = $4M
punto de Segundo punto
decisión de decisión
Este plan
Segundo puntotiene una demanda
de decisión ganancia esperada
baja: de 8
millones de dólares $10
y un rango de
resultados posibles Mde 4 a 9 millones de
D A (0.4)
D M (0.4)
dólares.
Planta
grande
$5M
Gran
D B (0.2) $8M
expansión
(0.4)10M+(0.4)5 $0M
M Pequeña $9M
+(0.2)0 = $6M expansión
No
expandir $4M
D A (0.4)
Pequeña $9M
Planta D M (0.4) expansión
pequeña
No
(0.4)9M+(0.4)9M D B (0.2)
expandir $4M
+(0.2)4M = $8M
Primer $4M
punto de Segundo punto
decisión de decisión
Árboles de decisión
Una planta pequeña será adecuada sólo para una
demanda baja y la administración quiere
considerar la posibilidad de expansión si la
demanda resulta ser alta o mediana. Si la
demanda es alta, la administración puede
seleccionar una expansión grande, una
pequeña o no expandir
