You are on page 1of 24

Arbol de Decisiones

1

ARBOL DE DECISIONES
Ejemplo 01: Una Compañía de Manufacturas Eléctricas que
produce aparatos de aire acondicionado , tiene que decidir si
comprar o no un componente importante para su producto
final de un abastecedor o fabricarlo en su propia planta.
Las alternativas de decisión son entonces :

1) Comprar el componente (C)
2) Fabrica el componente (F)

La determinación de la mejor decisión dependerá de la
aceptación(demanda) de su producto final en el mercado.
Dado que la demanda que la Cía enfrenta por su producto
final está fuera del control del Decisor, esta constituye una
variable de estado. De acuerdo con la administración de la
Cía. Los posibles valores de la demanda por su producto final
pueden ser : 2

DB = Demanda baja del producto final de la Cía.DB). El resultado final de la decisión se expresa en términos de ganancias netas. DM = Demanda media del producto final de la Cía. ARBOL DE DECISIONES DA = Demanda alta del producto final de la Cía. Para determinar la decisión óptima fue necesario conocer mayor información respecto a las probabilidades de ocurrencia de cada estado de la naturaleza (DA.DM. La administración de la Cía. ha estimado las ganancias netas para este problema : Alternativas Estados de la Naturaleza (Niveles de demanda) De Decisión DA DM DB Fabricar (F) 130 40 -20 Comprar(C) 70 45 10 .

40 Según el criterio probabilístico. Puede ser entonces : P(DA) = 0.000 dólares.30) + -20(0.0 Comprar (C) : 70(0. 2) Calcular el valor esperado de la información perfecta 3) Calcular el valor esperado de la información de la muestra e identifique la decisión óptima. P(DB) = 0. ARBOL DE DECISIONES 1) Determine la decisión óptimo según criterio del valor esperado y suponiendo las siguientes probabilidades de ocurrencia para cada estado de la naturaleza: P(DA) = 0.30) + 10(0.30) + 40 (0. CRITERIO PROBABILISTICO (Criterio del Valor Esperado) De acuerdo con la experiencia de la administración de la Cía.30. P(DM) = 0. se decide por la alternativa de mayor ganancia esperada : Alternativas Fabricar (F) : 130(0.40) = 38. P(DB) = 0.30.30) + 45 (0. 4 . La Cía obtendría las mayores ganancias netas esperadas de 43.40) = 43. 4) Calcule la información de la eficiencia de la muestra. se asignó las siguientes probabilidades de ocurrencia.30.40. P(DM) = 0.30.5 Se decide : Fabricar el componente.

ARBOL DE DECISIONES Valor esperado • Es la media de la distribución de probabilidad • Se calcula como: m E ( x)   X i p ( X i ) i 1 .

1. 50. en la que se venderán 100 rifas en total. o – Pierde • ¿Cuál es el valor esperado del juego? .000.000.00 un ticket de una rifa. ARBOL DE DECISIONES Valor esperado: Ejemplo 1 • Suponga que usted compra en S/. y la cual paga un premio de S/.00 • Hay dos eventos posibles: – Usted gana la rifa.

1000 99/100 • El valor esperado es: E(X) = 49000*(1/100) + -1000*99/100 = -500 • ¿Qué significa ese resultado? . . ARBOL DE DECISIONES Valor esperado: ejemplo • La distribución de probabilidades es: Evento X P(X) Gana S/. 49000 1/100 Pierde S/.

ARBOL DE DECISIONES Árboles de decisión • Pueden usarse para desarrollar una estrategia óptima cuando el tomador de decisiones se enfrenta con: – Una serie de alternativas de decisión – Incertidumbre o eventos futuros con riesgo *Un buen análisis de decisiones incluye un análisis de riesgo .

ARBOL DE DECISIONES Árboles de decisión: Componentes y estructura • Alternativas de decisión en cada punto de decisión • Eventos que pueden ocurrir como resultado de cada alternativa de decisión. También son llamados Estados de la naturaleza .

ARBOL DE DECISIONES Árboles de decisión: Componentes y estructura • Probabilidades de que ocurran los eventos posibles • Resultados de las posibles interacciones entre las alternativas de decisión y los eventos. También se les conoce con el nombre de Pagos .

ARBOL DE DECISIONES Árboles de decisión: Componentes y estructura • Los árboles de decisión poseen: • Ramas: se representan con líneas • Nodos de decisión: de ellos salen las ramas de decisión y se representan con  • Nodos de incertidumbre: de ellos salen las ramas de los eventos y se representan con  .

ARBOL DE DECISIONES Árboles de decisión: Componentes y estructura: ejemplo Evento 1 Pago 1 Punto de P(Evento 1) decisión Alternativa 1 Evento 2 Pago 2 P(Evento 2) Evento 3 Pago 3 P(Evento 3) Alternativa 2 Pago 4 .

. ARBOL DE DECISIONES Árboles de decisión: Análisis: criterio del Valor Monetario Esperado • Generalmente se inicia de derecha a izquierda. calculando cada pago al final de las ramas • Luego en cada nodo de evento se calcula un valor esperado • Después en cada punto de decisión se selecciona la alternativa con el valor esperado óptimo.

01) decisión -500 Juega la rifa Pierde ¢ -1000 (0. ARBOL DE DECISIONES Análisis: ejemplo de la rifa Gana ¢49.99) No juega la rifa ¢0 .000 Punto de (0.

en este caso el valor más alto (por ser ganancias) • La decisión desechada se marca con \\ • En este caso la decisión es no jugar la rifa . ARBOL DE DECISIONES Análisis: ejemplo de la rifa • En el nodo de evento se calculó el valor esperado de jugar la rifa • Luego se selecciona.

30 8000 0.50 10000 0.20 .000 • El estimado de la demanda es como sigue: Unidades Probabilidad 6000 0. La utilidad incremental es de $10 por unidad y la inversión necesaria en equipo es de $50. ARBOL DE DECISIONES Árboles de decisión: Ejemplo 2 • Un fabricante está considerando la producción de un nuevo producto.

500 unidades con una utilidad de $5. con una probabilidad de 80% conseguir ventas de 5.000 unidades.000 en publicidad podría. con la opción de que si destina $14.5/unidad sin publicidad. . ARBOL DE DECISIONES Árboles de decisión: Ejemplo 2 (continuación): • Tiene la opción de seguir con el producto actual que le representa ventas de 2. • Construya el árbol de decisión y determine la decisión óptima.500 unidades y de un 20% de que éstas sean de 4.

Ha determinado que sus atributos físicos y emocionales son más o menos los mismos. ARBOL DE DECISIONES Árboles de decisión: Ejemplo 3: La decisión de "La rata Polito" • Durante la última semana "La rata Polito" ha recibido 3 propuestas matrimoniales de 3 mujeres distintas y debe escoger una. Tiene un padre rico que sufre de artritis crónica. • La primera se llama Jenny. "La rata Polito" calcula una probabilidad de 0.000. y entonces elegirá según sus recursos financieros.3 de que muera pronto y les herede $100. . Si el padre tiene una larga vida no recibirá nada de él.

Si se dedica a los hijos podría tener un trabajo de tiempo parcial por $20.000. donde hay una probabilidad de 0. o bien podría pasar al departamento de impuestos donde ganaría $40. . podría pasar a auditoría.6 de que Juana siga su carrera y una probabilidad de 0.000 con probabilidad de 0. que es contadora en una compañía.5 de ganar $30. "La rata Polito" estima una probabilidad de 0.7 o $25. Si continúa con su trabajo.000 y de 0. ARBOL DE DECISIONES Árboles de decisión: ejemplo: La decisión de "La rata Polito" • La segunda pretendiente se llama Juana.000.4 de que la deje y se dedique a los hijos.5 de ganar $40.3).000 (0.

ARBOL DE DECISIONES Árboles de decisión: ejemplo: La decisión de "La rata Polito" • La tercer pretendiente es María. México. 1982 .000. McGraw Hill. la cual sólo puede ofrecer a "La rata Polito" su dote de $25. METODOS CUANTITATIVOS PARA LA TOMA DE DECISIONES EN ADMINISTRACIÓN. Watson. • ¿Con quién debe casarse "La rata Polito"? ¿Por qué? • ¿Cuál es el riesgo involucrado en la secuencia óptima de decisiones? Tomado de: Gallagher.

entonces se dice que el riesgo es mayor. y una de ellas es la variancia. . • Existen diferentes maneras de cuantificar el riesgo. ARBOL DE DECISIONES Los Árboles de decisión y el riesgo • El análisis del riesgo ayuda al tomador de decisiones a identificar la diferencia entre: – el valor esperado de una alternativa de decisión. • Mientras más varíen los resultados. y – el resultado que efectivamente podría ocurrir • El riesgo se refiere a la variación en los resultados posibles.

ARBOL DE DECISIONES Los Árboles de decisión y el riesgo • La variancia se calcula como: m 2  var( X )   p( X )  X  E ( X )  j  j  j 1 • Donde: p(Xj) es la probabilidad del evento Xj y E(X) es el valor esperado de X .

ARBOL DE DECISIONES Los Árboles de decisión y el riesgo Ejemplo: el caso de "La rata Polito" (datos en miles) Decisión X p(X) E(X) var Jenny 100 0.09 20 0.21 25 0.00 25 0 .252 30 0.30 30 2100 0 0.70 Juana 40 0.15 40 0.15 29.40 María 25 1.3 60.

pues los resultados varían entre $0 y $100. . pero también es la más riesgosa. pero la de menor rendimiento. ARBOL DE DECISIONES Los Árboles de decisión y el riesgo: ejemplo: el caso de "La rata Polito" • La decisión por Jenny es la del valor esperado más alto. ya que el valor esperado es cercano al de Jenny pero con un riesgo menor. • Tal vez la mejor decisión sea Juana.000 • La decisión por María es la menos riesgosa.