SlideShare una empresa de Scribd logo
Arboles de decisión
Arboles de decisión
Se usan cuando se dan situaciones donde se debe
optimizar una serie de decisiones que llevan una
secuencia y se deciden en momentos distintos.
Ejemplos:
– Determinar el tamaño de una planta, si conviene hacer
una planta grande, o crecer modularmente.
– La estrategia de lanzamiento par un nuevo producto
– Decidir si cambiar una máquina por una nueva, sabiendo
que existe una probabilidad de que sea necesario efectuar
algún tipo de reparación mayor en un determinado
tiempo.
Arboles de decisión
Los árboles de decisión están compuestos por:
– Puntos de decisión (nodo de alternativas), donde
debemos escoger una alternativa o estrategia.
– Eventos (nodos de eventos), donde ocurren situaciones
diversas que están fuera de nuestro control.
– Probabilidades, de ocurrencia para cada evento.
– Resultados, de las posibles interacciones entre las
alternativas de decisión y los eventos.
Nodo de Decisión
Se representan por un cuadrado
Nodo de Decisión
Varias alternativas parten de él, cada una tiene un valor
esperado o una rama de árbol.
Nodo de Evento
Varias situaciones sobre las que no tenemos control
pueden ocurrir
Nodo de Evento
Cada situación tiene una probabilidad de ocurrencia
En cada nodo,
p1 + p2 + …. + pn = 1
Nodo de Evento
Cada evento tiene un resultado asociado a él, o una rama
de árbol que puede ser eventualmente sustituida por un
resultado
Arboles de decisión
Los nodos de decisión o alternativas, son aquellos
donde tenemos que escoger, estamos en libertad de
tomar un camino u otro, por lo tanto no hay
probabilidades asociadas; tomamos el más
conveniente
Los nodos de eventos son aquellos que implican que
algo externo, sobre lo que no tenemos potestad de
decidir, tiene dos o más valores alternativos de
ocurrencia, pero hay una probabilidad asociada a
cada uno de ellos; tomamos el valor esperado de la
combinación de posibles resultados.
Arboles de decisión
En cualquier nodo, nunca se
mezclan eventos con alternativas.
Los nodos son solo de eventos, o
son solo de alternativas
Arboles de decisión
Construcción del árbol
El árbol se construye partiendo de un nodo de
alternativas en el extremo izquierdo donde se ponen
el primer nivel de decisión en el tiempo.
Se siguen poniendo nodos de eventos o de
alternativas para momentos siguientes, hacia la
derecha. (las alternativas posteriores en el tiempo
deben estar más a la derecha de las que se toman en
un momento anterior)
Arboles de decisión
Construcción del árbol
1er momento
de decisión
2do momento
de decisión
Arboles de decisión
Solución
Para encontrar una solución óptima en un árbol de
decisión se sigue el siguiente procedimiento:
Comenzando de derecha hacia la izquierda,
– En cada nodo de eventos se calcula el valor
esperado. (ya veremos como)
– En cada punto de decisión (nodo de alternativas)
se selecciona la alternativa con el valor esperado
óptimo. (máximo o mínimo, dependiendo de si
estamos viendo utilidades o costos)
Nodo de Decisión
Nodo de Evento
Caso Pantalonetas de baño
Ud. Es el administrador(a) de una tienda de artículos deportivos y debe decidir
cuantas pantalonetas de baño tiene que comprar para el próximo verano.
Se deben pedir en lotes de 100 unidades y de debe comprar la cantidad total de
una vez, no hay tiempo de que un nuevo pedido llegue antes de que finalice la
temporada.
Los precios de compra son los siguientes:
100 pantalonetas : $ 10,00 /und
200 pantalonetas : $ 9,00 /und
300 o más pantalonetas : $ 8,50 /und
El precio de venta es de $12, pero las que se queden sin vender al final del
verano deben ser vendidas a la mitad del precio.
Las posibles demandas son 100, 150 o 200 pantalonetas en todo el verano.
El costo estimado por pérdida de imagen por no tener disponible una
pantaloneta para un cliente que la llega a solicitar, se estima en $0,50 por cada
vez que ocurra.
Determine cuántas pantalonetas debe comprar.
Caso Pantalonetas de baño – Matriz de pago
Caso Pantalonetas de baño
Graficamos las tres alternativas que tenemos para hacer el pedido
Caso Pantalonetas de baño
A cada alternativa le agregamos las posibles demandas (eventos)
Caso Pantalonetas de baño
A cada demanda, para cada nivel de pedido, le colocamos la utilidad
esperada (Resultado)
Caso Pantalonetas de baño
Comenzando de derecha a izquierda, vamos calculando el valor
esperado para cada nodo de evento
Caso Pantalonetas de baño
Seleccionamos en el nodo 1 la alternativa porque que tiene un mayor
valor esperado, en este caso el nodo 3, comprar 200 pantalonetas
Caso: Lanzamiento de perfume
La Sensual Cosmetics Company ha desarrollado un
nuevo perfume, que según la opinión de la
administración, tiene un gran potencial de ser un
negocio exitoso.
Se ha gastado ya un total de $100 000 en su
desarrollo.
Se han diseñado dos posibles planes de
comercialización:
Caso: Lanzamiento de perfume
1. Continuar con la práctica de regalar pequeñas muestras
del nuevo producto en la compra de otros productos de
esa línea y de colocar anuncios en las revistas populares
para mujeres. Este plan costaría $50 000 y se piensa que
podría tener una respuesta alta, moderada o baja del
mercado con probabilidades de 0.2, 0,5 y 0.3
respectivamente. La ganancia bruta, sin incluir gastos de
desarrollo ni de promoción, seria de $350 000, $250 000
y $160 000 respectivamente. Si mas tarde pareciera que
la respuesta del mercado va a ser baja, todavía sería
posible realizar una campaña de refuerzo de comerciales
en TV. La campaña costaría $ 75 000 adicionales y
cambiaría la respuesta a alta o moderada, como se
describió antes pero con probabilidades de 0.5 cada una.
Caso: Lanzamiento de perfume
2. Una campaña agresiva en TV con un costo de
$ 150 000 , pero con una respuesta esperada
de excelente o buena con probabilidades de
0.4 y 0.6 respectivamente. La ganancia para
estos dos posibles resultados son de $550
000 y $500 000
Caso: Lanzamiento de perfume
Determine que tipo de lanzamiento es más
conveniente de usar.
SOLUCIÓN
Iniciamos poniendo la inversión ya realizada a la izquierda del primer nodo de decisión
Colocamos las dos alternativas a la derecha del nodo de decisión.
Colocamos el monto de la inversión necesaria para implementar cada una de las
alternativas
A cada alternativa le ponemos a la derecha los posibles eventos que pueden ocurrir, cada
uno con su respectiva probabilidad, y si tenemos el resultado asociado, también lo
ponemos a la derecha.
En este problema se nos dice que en caso de tomar la campaña conservadora y que se
obtenga una baja demanda, existe la posibilidad de hacer una campaña adicional en TV
Por eso abrimos un nuevo nodo de decisión, y el resultado lo pasamos a la izquierda del
nodo, porque eso va a existir, independientemente de que se haga o no la campaña de TV,
y a la rama de la campaña adicional le ponemos la inversión necesaria para realizarla.
Si no se hace la campaña no hay un valor de resultado, pero si la hacemos, hay dos
posibles eventos, una demanda alta o moderada, las ponemos, con sus respectivos
resultados.
Ya tenemos el árbol completo, y numeramos los nodos para poder referirnos a ellos.
Ahora comenzamos a buscar la solución, comenzando por los nodos que son terminales, o
sea que no tienen más rama hacia la derecha, y que están colocados a la derecha del
árbol, en este caso el nodo #5. Como es un nodo de evento, calculamos su valor esperado
(la sumatoria del resultado de cada nodo por su respectiva probabilidad)
Al valor esperado del nodo #5 ($300000) hay que restarle la inversión de la campaña
($75000), antes de poder compararlo con la otra rama en el nodo de decisión #4.
Como estamos en una maximización de utilidades, En el nodo de decisión #4 escogemos
la rama con un mayor valor esperado, por lo tanto entre $225000 y $0, escogemos los
$225000, y los colocamos debajo del nodo. La rama con el menor valor esperado la
marcamos como desechada con una doble raya cerca al nodo izquierdo.
En este momento podemos evaluar tanto el nodo #2 como el #3, tomemos el #2 primero,
que es de evento y calculamos su valor esperado. Toda la rama a partir del nodo #4 se
cambia por su valor esperado, más la utilidad obtenida hasta ese punto por $160000, para
un total de $385000, el cual multiplicamos por su probabilidad y se lo sumamos a los
otros dos productos de los valores esperados por sus probabilidades
VE2 = 0,2 x 350000 + 0,5 x 250000 + 0,3 x 385000 = 310500
Calculamos ahora el valor esperado del nodo #3, que es un nodo de evento.
VE3 = 0.4 x 550000 + 0.6 x 500000 = 520000
Antes de poder evaluar el nodo #1, es necesario restarle la inversión de cada alternativa a
los respectivos valores esperados de los nodos #2 y #3
Esto nos da un valor esperado de $260500 para la campaña conservadora y de $370000
para la campaña agresiva por TV
Ahora si podemos escoger entre las dos alternativas en el nodo #1, y debemos escoger la
campaña agresiva de TV, que tiene un valor esperado de 370000 contra los $260500 de la
campaña conservadora. Es importante recalcar que para conocer la utilidad neta del
proyecto es necesario rebajarle el costo del desarrollo inicial, de $100000, por lo tanto el
valor neto esperado de este proyecto es de $270000 y se debe tomar la decisión de
realizar una campaña agresiva de TV

Más contenido relacionado

La actualidad más candente

5.4 aplicación de modelos de inventarios determinísticos
5.4 aplicación de modelos de inventarios determinísticos5.4 aplicación de modelos de inventarios determinísticos
5.4 aplicación de modelos de inventarios determinísticosJack Rivera Castillo
 
Trabajo arbol dedecisiones
Trabajo arbol dedecisiones Trabajo arbol dedecisiones
Trabajo arbol dedecisiones
Julio Cesar Mitma
 
Teoría de decisión
Teoría de decisiónTeoría de decisión
Teoría de decisión
Gabriel Pujol
 
2 precio dual y costo reducido (1)
2 precio dual y costo reducido (1)2 precio dual y costo reducido (1)
2 precio dual y costo reducido (1)Pierina Diaz Meza
 
CRITERIO DE LAPLACE
CRITERIO DE LAPLACECRITERIO DE LAPLACE
CRITERIO DE LAPLACE
Camilo Correa
 
MÉTODO DE TRANSPORTE
MÉTODO DE TRANSPORTEMÉTODO DE TRANSPORTE
MÉTODO DE TRANSPORTE
vicentemarvillavilla
 
Programación lineal
Programación linealProgramación lineal
Programación lineal
Cris Panchi
 
Analisis de Redes - Investigacion de Operaciones
Analisis de Redes - Investigacion de OperacionesAnalisis de Redes - Investigacion de Operaciones
Analisis de Redes - Investigacion de OperacionesSergio Hernández Ortega
 
Numeros aleatorios & pseudoaleatorios itsz vhhh
Numeros aleatorios & pseudoaleatorios itsz vhhhNumeros aleatorios & pseudoaleatorios itsz vhhh
Numeros aleatorios & pseudoaleatorios itsz vhhh
Victor Hugo
 
Unidad 1. Métodos cualitativos para localización de instalaciones
Unidad 1. Métodos cualitativos para localización de instalacionesUnidad 1. Métodos cualitativos para localización de instalaciones
Unidad 1. Métodos cualitativos para localización de instalaciones
Universidad del golfo de México Norte
 
C) problemas de programacion lineal resueltos
C) problemas de programacion lineal resueltosC) problemas de programacion lineal resueltos
C) problemas de programacion lineal resueltos
Silver Mendoza A.
 
Jurado de opinión ejecutiva - Pronóstico de demanda
Jurado de opinión ejecutiva - Pronóstico de demandaJurado de opinión ejecutiva - Pronóstico de demanda
Jurado de opinión ejecutiva - Pronóstico de demanda
Ingenio Empresa
 
5.4 flujo maximo
5.4 flujo maximo5.4 flujo maximo
5.4 flujo maximo
ADRIANA NIETO
 
Investigación de operaciones
Investigación de operacionesInvestigación de operaciones
Investigación de operaciones
yajairam1
 
Definiciones de investigacion de operaciones
Definiciones de investigacion de operacionesDefiniciones de investigacion de operaciones
Definiciones de investigacion de operaciones
XSilvana XMonasteriosx
 
Investigacion de Operaciones-Coste mínimo
Investigacion de Operaciones-Coste mínimoInvestigacion de Operaciones-Coste mínimo
Investigacion de Operaciones-Coste mínimoMari Cruz
 
Ejercicios resueltos programacion lineal
Ejercicios resueltos programacion linealEjercicios resueltos programacion lineal
Ejercicios resueltos programacion linealJohana Rios Solano
 
Eu2 equipo nro.2
Eu2 equipo nro.2Eu2 equipo nro.2
Eu2 equipo nro.2
Victoria Rodriguez
 
Antecedentes históricos de la producción
Antecedentes históricos de la producciónAntecedentes históricos de la producción
Antecedentes históricos de la producciónJose Rafael Estrada
 

La actualidad más candente (20)

5.4 aplicación de modelos de inventarios determinísticos
5.4 aplicación de modelos de inventarios determinísticos5.4 aplicación de modelos de inventarios determinísticos
5.4 aplicación de modelos de inventarios determinísticos
 
Trabajo arbol dedecisiones
Trabajo arbol dedecisiones Trabajo arbol dedecisiones
Trabajo arbol dedecisiones
 
Teoría de decisión
Teoría de decisiónTeoría de decisión
Teoría de decisión
 
2 precio dual y costo reducido (1)
2 precio dual y costo reducido (1)2 precio dual y costo reducido (1)
2 precio dual y costo reducido (1)
 
CRITERIO DE LAPLACE
CRITERIO DE LAPLACECRITERIO DE LAPLACE
CRITERIO DE LAPLACE
 
MÉTODO DE TRANSPORTE
MÉTODO DE TRANSPORTEMÉTODO DE TRANSPORTE
MÉTODO DE TRANSPORTE
 
Programación lineal
Programación linealProgramación lineal
Programación lineal
 
Analisis de Redes - Investigacion de Operaciones
Analisis de Redes - Investigacion de OperacionesAnalisis de Redes - Investigacion de Operaciones
Analisis de Redes - Investigacion de Operaciones
 
Numeros aleatorios & pseudoaleatorios itsz vhhh
Numeros aleatorios & pseudoaleatorios itsz vhhhNumeros aleatorios & pseudoaleatorios itsz vhhh
Numeros aleatorios & pseudoaleatorios itsz vhhh
 
Unidad 1. Métodos cualitativos para localización de instalaciones
Unidad 1. Métodos cualitativos para localización de instalacionesUnidad 1. Métodos cualitativos para localización de instalaciones
Unidad 1. Métodos cualitativos para localización de instalaciones
 
C) problemas de programacion lineal resueltos
C) problemas de programacion lineal resueltosC) problemas de programacion lineal resueltos
C) problemas de programacion lineal resueltos
 
Jurado de opinión ejecutiva - Pronóstico de demanda
Jurado de opinión ejecutiva - Pronóstico de demandaJurado de opinión ejecutiva - Pronóstico de demanda
Jurado de opinión ejecutiva - Pronóstico de demanda
 
5.4 flujo maximo
5.4 flujo maximo5.4 flujo maximo
5.4 flujo maximo
 
Investigación de operaciones
Investigación de operacionesInvestigación de operaciones
Investigación de operaciones
 
Definiciones de investigacion de operaciones
Definiciones de investigacion de operacionesDefiniciones de investigacion de operaciones
Definiciones de investigacion de operaciones
 
Investigacion de Operaciones-Coste mínimo
Investigacion de Operaciones-Coste mínimoInvestigacion de Operaciones-Coste mínimo
Investigacion de Operaciones-Coste mínimo
 
Ejercicios resueltos programacion lineal
Ejercicios resueltos programacion linealEjercicios resueltos programacion lineal
Ejercicios resueltos programacion lineal
 
Eu2 equipo nro.2
Eu2 equipo nro.2Eu2 equipo nro.2
Eu2 equipo nro.2
 
Modelo de redes
Modelo de redes Modelo de redes
Modelo de redes
 
Antecedentes históricos de la producción
Antecedentes históricos de la producciónAntecedentes históricos de la producción
Antecedentes históricos de la producción
 

Destacado

Ejercicios árbol-de-decisión
Ejercicios árbol-de-decisión Ejercicios árbol-de-decisión
Ejercicios árbol-de-decisión
ISRA VILEMA
 
EJERCICIO DE ÁRBOL DE DECISION
EJERCICIO  DE  ÁRBOL  DE DECISION EJERCICIO  DE  ÁRBOL  DE DECISION
EJERCICIO DE ÁRBOL DE DECISION Maricela Ayala
 
Arbol de decision
Arbol de decisionArbol de decision
Arbol de decisionalex
 
7 Tecnica del Arbol para la toma de decisiones
7  Tecnica del Arbol para la toma de decisiones7  Tecnica del Arbol para la toma de decisiones
7 Tecnica del Arbol para la toma de decisiones
decisiones
 
Ejemplo Arboles de Decision
Ejemplo Arboles de DecisionEjemplo Arboles de Decision
Ejemplo Arboles de Decisiongodoquin
 
EJERCICIO DE TEORIA DE DECISIONES
EJERCICIO DE TEORIA DE DECISIONESEJERCICIO DE TEORIA DE DECISIONES
EJERCICIO DE TEORIA DE DECISIONES
Justin Guerrero Delahoz
 
Arboles de decisión
Arboles de decisiónArboles de decisión
Arboles de decisión
Gaston Saenz
 
Análisis del campo de fuerzas
Análisis del campo de fuerzasAnálisis del campo de fuerzas
Análisis del campo de fuerzasMarcela881031
 
Ejercicios arboles de decisión
Ejercicios arboles de decisiónEjercicios arboles de decisión
Ejercicios arboles de decisiónfelixaguilar23
 
Teoria de bayes en la toma de decision
Teoria de bayes en la toma de decisionTeoria de bayes en la toma de decision
Teoria de bayes en la toma de decisionanapaubla valiente
 
Arboles de decisión
Arboles de decisiónArboles de decisión
Arboles de decisión
Edwin Gallardo
 
Md ejercicios resueltos teoria de la decision
Md   ejercicios resueltos teoria de la decisionMd   ejercicios resueltos teoria de la decision
Md ejercicios resueltos teoria de la decision
Sarita Carbajal
 
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDADPROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
MANUEL GARCIA
 
Diagrama de Pareto
Diagrama de Pareto Diagrama de Pareto
Diagrama de Pareto
Marlboro Dion
 
áRbol de decisión
áRbol de decisiónáRbol de decisión
áRbol de decisión
Jonathan Frías Barragán
 
06 arbol de decision
06 arbol de decision06 arbol de decision
06 arbol de decision
Silver Mendoza A.
 
Arbol de decisiones
Arbol de decisionesArbol de decisiones
Arbol de decisiones
Camilo Rodriguez
 
Decisiones clase 1 2014 c3
Decisiones clase 1 2014 c3Decisiones clase 1 2014 c3
Decisiones clase 1 2014 c3
Solange Rod Soler
 

Destacado (20)

Ejercicios árbol-de-decisión
Ejercicios árbol-de-decisión Ejercicios árbol-de-decisión
Ejercicios árbol-de-decisión
 
EJERCICIO DE ÁRBOL DE DECISION
EJERCICIO  DE  ÁRBOL  DE DECISION EJERCICIO  DE  ÁRBOL  DE DECISION
EJERCICIO DE ÁRBOL DE DECISION
 
Arbol de decision
Arbol de decisionArbol de decision
Arbol de decision
 
7 Tecnica del Arbol para la toma de decisiones
7  Tecnica del Arbol para la toma de decisiones7  Tecnica del Arbol para la toma de decisiones
7 Tecnica del Arbol para la toma de decisiones
 
árbol de decisión
árbol de decisiónárbol de decisión
árbol de decisión
 
Ejemplo Arboles de Decision
Ejemplo Arboles de DecisionEjemplo Arboles de Decision
Ejemplo Arboles de Decision
 
EJERCICIO DE TEORIA DE DECISIONES
EJERCICIO DE TEORIA DE DECISIONESEJERCICIO DE TEORIA DE DECISIONES
EJERCICIO DE TEORIA DE DECISIONES
 
Arboles de decisión
Arboles de decisiónArboles de decisión
Arboles de decisión
 
Análisis del campo de fuerzas
Análisis del campo de fuerzasAnálisis del campo de fuerzas
Análisis del campo de fuerzas
 
Ejercicios arboles de decisión
Ejercicios arboles de decisiónEjercicios arboles de decisión
Ejercicios arboles de decisión
 
Teoria de bayes en la toma de decision
Teoria de bayes en la toma de decisionTeoria de bayes en la toma de decision
Teoria de bayes en la toma de decision
 
Arboles de decisión
Arboles de decisiónArboles de decisión
Arboles de decisión
 
Md ejercicios resueltos teoria de la decision
Md   ejercicios resueltos teoria de la decisionMd   ejercicios resueltos teoria de la decision
Md ejercicios resueltos teoria de la decision
 
CONCEPTOS TOMA DE DECISIONES
CONCEPTOS TOMA DE DECISIONESCONCEPTOS TOMA DE DECISIONES
CONCEPTOS TOMA DE DECISIONES
 
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDADPROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
 
Diagrama de Pareto
Diagrama de Pareto Diagrama de Pareto
Diagrama de Pareto
 
áRbol de decisión
áRbol de decisiónáRbol de decisión
áRbol de decisión
 
06 arbol de decision
06 arbol de decision06 arbol de decision
06 arbol de decision
 
Arbol de decisiones
Arbol de decisionesArbol de decisiones
Arbol de decisiones
 
Decisiones clase 1 2014 c3
Decisiones clase 1 2014 c3Decisiones clase 1 2014 c3
Decisiones clase 1 2014 c3
 

Similar a Arboles de decision

Arboles de decision
Arboles de decisionArboles de decision
Arboles de decision
joss2296
 
EXPOSICION.pptx
EXPOSICION.pptxEXPOSICION.pptx
EXPOSICION.pptx
JoseSoto599943
 
document.pdf
document.pdfdocument.pdf
document.pdf
RolandoRoles
 
Arbol de deciciones
Arbol de decicionesArbol de deciciones
Arbol de deciciones
William Sanchez Hurtado
 
Modelo de transporte
Modelo de transporteModelo de transporte
Modelo de transporte
Carlos Solis Herrera
 
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptxTOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
YadhiraRoblesMonzon
 
Investigacion de operaciones ebc
Investigacion de operaciones ebcInvestigacion de operaciones ebc
Investigacion de operaciones ebc
Maestros en Linea
 
Teoría de decisión
Teoría de decisiónTeoría de decisión
Teoría de decisión
gabrielpujol59
 
Teoría de decisión
Teoría de decisiónTeoría de decisión
Teoría de decisión
gabrielpujol59
 
Ejercicios de árboles
Ejercicios de árbolesEjercicios de árboles
Ejercicios de árbolespaultca
 
Analisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestralAnalisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestralEmmanuel Chulin
 
Simulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
Simulación Monte Carlo. Software SimulAr. Por Yuleidy PeñaSimulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
Simulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
AngelaRivas120
 
Analisis de decisiones 2 2012 tm
Analisis de decisiones 2 2012 tmAnalisis de decisiones 2 2012 tm
Analisis de decisiones 2 2012 tm
Maestros Online
 
Break even point two linear equations system 2019
Break even point two linear equations system 2019Break even point two linear equations system 2019
Break even point two linear equations system 2019
Edgar Mata
 
Investigacion de operaciones ebc io
Investigacion de operaciones ebc ioInvestigacion de operaciones ebc io
Investigacion de operaciones ebc ioMaestros Online
 
Analisis de decisiones 2 tm
Analisis de decisiones 2 tmAnalisis de decisiones 2 tm
Analisis de decisiones 2 tm
Maestros Online
 
Software para arboles de decisión y diagramas de influencia
Software para arboles de decisión y diagramas de influenciaSoftware para arboles de decisión y diagramas de influencia
Software para arboles de decisión y diagramas de influencia
antoniomartinezuvm
 
Analisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfAnalisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdf
JonathanSampedro2
 
Ejercicios programacion 2019
Ejercicios programacion 2019Ejercicios programacion 2019
Ejercicios programacion 2019
ManuelHernandez496
 
Analisis de decisiones 2 2012 tm
Analisis de decisiones 2 2012 tmAnalisis de decisiones 2 2012 tm
Analisis de decisiones 2 2012 tm
Maestros en Linea
 

Similar a Arboles de decision (20)

Arboles de decision
Arboles de decisionArboles de decision
Arboles de decision
 
EXPOSICION.pptx
EXPOSICION.pptxEXPOSICION.pptx
EXPOSICION.pptx
 
document.pdf
document.pdfdocument.pdf
document.pdf
 
Arbol de deciciones
Arbol de decicionesArbol de deciciones
Arbol de deciciones
 
Modelo de transporte
Modelo de transporteModelo de transporte
Modelo de transporte
 
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptxTOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
TOMA DE DESICIONES Y ANALISIS DE RIESGO EXPOSICION.pptx
 
Investigacion de operaciones ebc
Investigacion de operaciones ebcInvestigacion de operaciones ebc
Investigacion de operaciones ebc
 
Teoría de decisión
Teoría de decisiónTeoría de decisión
Teoría de decisión
 
Teoría de decisión
Teoría de decisiónTeoría de decisión
Teoría de decisión
 
Ejercicios de árboles
Ejercicios de árbolesEjercicios de árboles
Ejercicios de árboles
 
Analisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestralAnalisis de desiciones con informacion muestral
Analisis de desiciones con informacion muestral
 
Simulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
Simulación Monte Carlo. Software SimulAr. Por Yuleidy PeñaSimulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
Simulación Monte Carlo. Software SimulAr. Por Yuleidy Peña
 
Analisis de decisiones 2 2012 tm
Analisis de decisiones 2 2012 tmAnalisis de decisiones 2 2012 tm
Analisis de decisiones 2 2012 tm
 
Break even point two linear equations system 2019
Break even point two linear equations system 2019Break even point two linear equations system 2019
Break even point two linear equations system 2019
 
Investigacion de operaciones ebc io
Investigacion de operaciones ebc ioInvestigacion de operaciones ebc io
Investigacion de operaciones ebc io
 
Analisis de decisiones 2 tm
Analisis de decisiones 2 tmAnalisis de decisiones 2 tm
Analisis de decisiones 2 tm
 
Software para arboles de decisión y diagramas de influencia
Software para arboles de decisión y diagramas de influenciaSoftware para arboles de decisión y diagramas de influencia
Software para arboles de decisión y diagramas de influencia
 
Analisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdfAnalisis-de-decisiones-20141.pdf
Analisis-de-decisiones-20141.pdf
 
Ejercicios programacion 2019
Ejercicios programacion 2019Ejercicios programacion 2019
Ejercicios programacion 2019
 
Analisis de decisiones 2 2012 tm
Analisis de decisiones 2 2012 tmAnalisis de decisiones 2 2012 tm
Analisis de decisiones 2 2012 tm
 

Arboles de decision

  • 2. Arboles de decisión Se usan cuando se dan situaciones donde se debe optimizar una serie de decisiones que llevan una secuencia y se deciden en momentos distintos. Ejemplos: – Determinar el tamaño de una planta, si conviene hacer una planta grande, o crecer modularmente. – La estrategia de lanzamiento par un nuevo producto – Decidir si cambiar una máquina por una nueva, sabiendo que existe una probabilidad de que sea necesario efectuar algún tipo de reparación mayor en un determinado tiempo.
  • 3. Arboles de decisión Los árboles de decisión están compuestos por: – Puntos de decisión (nodo de alternativas), donde debemos escoger una alternativa o estrategia. – Eventos (nodos de eventos), donde ocurren situaciones diversas que están fuera de nuestro control. – Probabilidades, de ocurrencia para cada evento. – Resultados, de las posibles interacciones entre las alternativas de decisión y los eventos.
  • 4. Nodo de Decisión Se representan por un cuadrado
  • 5. Nodo de Decisión Varias alternativas parten de él, cada una tiene un valor esperado o una rama de árbol.
  • 6. Nodo de Evento Varias situaciones sobre las que no tenemos control pueden ocurrir
  • 7. Nodo de Evento Cada situación tiene una probabilidad de ocurrencia En cada nodo, p1 + p2 + …. + pn = 1
  • 8. Nodo de Evento Cada evento tiene un resultado asociado a él, o una rama de árbol que puede ser eventualmente sustituida por un resultado
  • 9. Arboles de decisión Los nodos de decisión o alternativas, son aquellos donde tenemos que escoger, estamos en libertad de tomar un camino u otro, por lo tanto no hay probabilidades asociadas; tomamos el más conveniente Los nodos de eventos son aquellos que implican que algo externo, sobre lo que no tenemos potestad de decidir, tiene dos o más valores alternativos de ocurrencia, pero hay una probabilidad asociada a cada uno de ellos; tomamos el valor esperado de la combinación de posibles resultados.
  • 10. Arboles de decisión En cualquier nodo, nunca se mezclan eventos con alternativas. Los nodos son solo de eventos, o son solo de alternativas
  • 11. Arboles de decisión Construcción del árbol El árbol se construye partiendo de un nodo de alternativas en el extremo izquierdo donde se ponen el primer nivel de decisión en el tiempo. Se siguen poniendo nodos de eventos o de alternativas para momentos siguientes, hacia la derecha. (las alternativas posteriores en el tiempo deben estar más a la derecha de las que se toman en un momento anterior)
  • 12. Arboles de decisión Construcción del árbol 1er momento de decisión 2do momento de decisión
  • 13. Arboles de decisión Solución Para encontrar una solución óptima en un árbol de decisión se sigue el siguiente procedimiento: Comenzando de derecha hacia la izquierda, – En cada nodo de eventos se calcula el valor esperado. (ya veremos como) – En cada punto de decisión (nodo de alternativas) se selecciona la alternativa con el valor esperado óptimo. (máximo o mínimo, dependiendo de si estamos viendo utilidades o costos)
  • 16. Caso Pantalonetas de baño Ud. Es el administrador(a) de una tienda de artículos deportivos y debe decidir cuantas pantalonetas de baño tiene que comprar para el próximo verano. Se deben pedir en lotes de 100 unidades y de debe comprar la cantidad total de una vez, no hay tiempo de que un nuevo pedido llegue antes de que finalice la temporada. Los precios de compra son los siguientes: 100 pantalonetas : $ 10,00 /und 200 pantalonetas : $ 9,00 /und 300 o más pantalonetas : $ 8,50 /und El precio de venta es de $12, pero las que se queden sin vender al final del verano deben ser vendidas a la mitad del precio. Las posibles demandas son 100, 150 o 200 pantalonetas en todo el verano. El costo estimado por pérdida de imagen por no tener disponible una pantaloneta para un cliente que la llega a solicitar, se estima en $0,50 por cada vez que ocurra. Determine cuántas pantalonetas debe comprar.
  • 17. Caso Pantalonetas de baño – Matriz de pago
  • 18. Caso Pantalonetas de baño Graficamos las tres alternativas que tenemos para hacer el pedido
  • 19. Caso Pantalonetas de baño A cada alternativa le agregamos las posibles demandas (eventos)
  • 20. Caso Pantalonetas de baño A cada demanda, para cada nivel de pedido, le colocamos la utilidad esperada (Resultado)
  • 21. Caso Pantalonetas de baño Comenzando de derecha a izquierda, vamos calculando el valor esperado para cada nodo de evento
  • 22. Caso Pantalonetas de baño Seleccionamos en el nodo 1 la alternativa porque que tiene un mayor valor esperado, en este caso el nodo 3, comprar 200 pantalonetas
  • 23. Caso: Lanzamiento de perfume La Sensual Cosmetics Company ha desarrollado un nuevo perfume, que según la opinión de la administración, tiene un gran potencial de ser un negocio exitoso. Se ha gastado ya un total de $100 000 en su desarrollo. Se han diseñado dos posibles planes de comercialización:
  • 24. Caso: Lanzamiento de perfume 1. Continuar con la práctica de regalar pequeñas muestras del nuevo producto en la compra de otros productos de esa línea y de colocar anuncios en las revistas populares para mujeres. Este plan costaría $50 000 y se piensa que podría tener una respuesta alta, moderada o baja del mercado con probabilidades de 0.2, 0,5 y 0.3 respectivamente. La ganancia bruta, sin incluir gastos de desarrollo ni de promoción, seria de $350 000, $250 000 y $160 000 respectivamente. Si mas tarde pareciera que la respuesta del mercado va a ser baja, todavía sería posible realizar una campaña de refuerzo de comerciales en TV. La campaña costaría $ 75 000 adicionales y cambiaría la respuesta a alta o moderada, como se describió antes pero con probabilidades de 0.5 cada una.
  • 25. Caso: Lanzamiento de perfume 2. Una campaña agresiva en TV con un costo de $ 150 000 , pero con una respuesta esperada de excelente o buena con probabilidades de 0.4 y 0.6 respectivamente. La ganancia para estos dos posibles resultados son de $550 000 y $500 000
  • 26. Caso: Lanzamiento de perfume Determine que tipo de lanzamiento es más conveniente de usar. SOLUCIÓN
  • 27. Iniciamos poniendo la inversión ya realizada a la izquierda del primer nodo de decisión
  • 28. Colocamos las dos alternativas a la derecha del nodo de decisión. Colocamos el monto de la inversión necesaria para implementar cada una de las alternativas
  • 29. A cada alternativa le ponemos a la derecha los posibles eventos que pueden ocurrir, cada uno con su respectiva probabilidad, y si tenemos el resultado asociado, también lo ponemos a la derecha.
  • 30. En este problema se nos dice que en caso de tomar la campaña conservadora y que se obtenga una baja demanda, existe la posibilidad de hacer una campaña adicional en TV Por eso abrimos un nuevo nodo de decisión, y el resultado lo pasamos a la izquierda del nodo, porque eso va a existir, independientemente de que se haga o no la campaña de TV, y a la rama de la campaña adicional le ponemos la inversión necesaria para realizarla.
  • 31. Si no se hace la campaña no hay un valor de resultado, pero si la hacemos, hay dos posibles eventos, una demanda alta o moderada, las ponemos, con sus respectivos resultados.
  • 32. Ya tenemos el árbol completo, y numeramos los nodos para poder referirnos a ellos.
  • 33. Ahora comenzamos a buscar la solución, comenzando por los nodos que son terminales, o sea que no tienen más rama hacia la derecha, y que están colocados a la derecha del árbol, en este caso el nodo #5. Como es un nodo de evento, calculamos su valor esperado (la sumatoria del resultado de cada nodo por su respectiva probabilidad)
  • 34. Al valor esperado del nodo #5 ($300000) hay que restarle la inversión de la campaña ($75000), antes de poder compararlo con la otra rama en el nodo de decisión #4.
  • 35. Como estamos en una maximización de utilidades, En el nodo de decisión #4 escogemos la rama con un mayor valor esperado, por lo tanto entre $225000 y $0, escogemos los $225000, y los colocamos debajo del nodo. La rama con el menor valor esperado la marcamos como desechada con una doble raya cerca al nodo izquierdo.
  • 36. En este momento podemos evaluar tanto el nodo #2 como el #3, tomemos el #2 primero, que es de evento y calculamos su valor esperado. Toda la rama a partir del nodo #4 se cambia por su valor esperado, más la utilidad obtenida hasta ese punto por $160000, para un total de $385000, el cual multiplicamos por su probabilidad y se lo sumamos a los otros dos productos de los valores esperados por sus probabilidades VE2 = 0,2 x 350000 + 0,5 x 250000 + 0,3 x 385000 = 310500
  • 37. Calculamos ahora el valor esperado del nodo #3, que es un nodo de evento. VE3 = 0.4 x 550000 + 0.6 x 500000 = 520000
  • 38. Antes de poder evaluar el nodo #1, es necesario restarle la inversión de cada alternativa a los respectivos valores esperados de los nodos #2 y #3 Esto nos da un valor esperado de $260500 para la campaña conservadora y de $370000 para la campaña agresiva por TV
  • 39. Ahora si podemos escoger entre las dos alternativas en el nodo #1, y debemos escoger la campaña agresiva de TV, que tiene un valor esperado de 370000 contra los $260500 de la campaña conservadora. Es importante recalcar que para conocer la utilidad neta del proyecto es necesario rebajarle el costo del desarrollo inicial, de $100000, por lo tanto el valor neto esperado de este proyecto es de $270000 y se debe tomar la decisión de realizar una campaña agresiva de TV