P. 1
Ejemplo de Arbol de Decision

Ejemplo de Arbol de Decision

|Views: 27|Likes:
Publicado porJosé Matos Zarsoza

More info:

Published by: José Matos Zarsoza on Jul 16, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPTX, PDF, TXT or read online from Scribd
See more
See less

04/20/2014

pdf

text

original

Universidad Nacional Mayor de San Marcos

LOGO LOGO

ARBOL DE DECISION
TEORIA DE DECISIONES ESTADISTICAS
Alumnos: Ancco Cayllahua Aldo Adolfo Aroni Martinez Jesus Alberto Matos Zarsoza Jose Ignacio

Arboles de Decisiones
Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Dada una base datos se construyen diagramas de construcciones lógicas, muy similares a los sistemas de predicción basados en reglas, que sirven en para representar y categorizar una serie de condiciones que ocurren de la forma sucesiva, para la resolución de un problema.
EJEMPLO: AR Krispy tiene en la actualidad activos de 150,000 dólares y desea decidir si vende o no un refresco con sabor a chocolate , la Chocola. AR Krispy tiene 3 opciones.
Opción 1: Probar en forma local el mercado de Chocola y, a continuación, usar los resultados del estudio de mercado para determinar si vende la Chocola a nivel nacional o no. Opción 2: Vender de inmediato , sin prueba de mercado, la Chocola a nivel nacional. Opción 3: Decidir de inmediato , sin prueba de mercado, no vender Chocola a nivel nacional.

Arboles de Decisiones
A falta de un estudio de mercado, AR Krispy cree que Chocola tiene 55% de probabilidades de ser éxito nacional, y el 45% de probabilidades de ser fracaso nacional. Si la Chocola tiene éxito nacional, el estado de inversiones de AR Krispy aumentara en 300,000 dólares y si obtiene fracaso nacional los activos actuales disminuirán en 100,000 dólares . Si AR Krispy , lleva a cabo un mercado, aun costo de 30 000 dólares, hay 60% de probabilidades que el estudio de resultados favorables, a lo que se llama éxito local, y 40% de probabilidades que el estudio arroje resultados desfavorables, a lo que se llama fracaso local. Despues de Obtener éxito local, hay 85% de probabilidades que la Chocala sea un éxito nacional. Si se obtiene fracaso local, hay solo 10% de probabilidad que la Chocola obtenga éxito a nivel nacional. Si AR Krispy es neutral con respeto a riesgos, o sea, desea hacer máximo estado de sus bienes, ¿ que estrategia debe seguir?

Solución:
Para trazar un árbol de decisiones que represente el problema de AR Krispy, comenzaremos En el presente y perseguiremos hacia eventos y decisiones futuras. El árbol de decisiones de la Figura siguiente se forma con dos tipos de ramificaciones: los nodos de decisiones ■ y los nodos de evento, representado por ●.

Arboles de Decisiones

Probar mercado de chocola

No Probar mercado de chocola

Un nodo de decisión representa un punto en el tiempo cuando AR Krispy debe tomar una decisión . Cada rama que surja de un nodo de decisión representa una decisión posible es cuando AR Krispy deba determinar si hace o no la prueba de mercado de Chocola.

Arboles de Decisiones
Un nodo de evento se traza cuando las fuerzas externas determinan cual de los diversos eventos aleatorios sucede. Cada rama de un nodo de evento representa un resultado posible, y el numero en cada rama representa la probabilidad que ocurra el evento. Por ejemplo, si AR Krispy decide hacer prueba de mercado de Chocola, se enfrenta al siguiente nodo de eventos cuando se obtengan los resultados del estudio del mercado,

0.60 Éxito local

70

50
0.40 Fracaso local

Arboles de Decisiones
Una rama de un árbol de decisión es una rama terminal si las no termina en un nodo así, las ramas que representan éxito nacional y fracaso nacional son ramas terminales del árbol de decisión de AR Krispy. Como estamos haciendo máxima la cantidad final esperada de activos en cada rama terminal, debemos adoptar el estado final que resulte si ocurre el trayecto que conduce ala rama terminal dada. Por ejemplo la rama terminal fracaso nacional que sigue al fracaso local conduce a un estado final de activos de 150 000 – 30 000 – 100 000 = 20 000 dólares. Si estuviéramos elevado al máximo las utilidades esperadas, anotaríamos utilidades en cada rama terminal.

Para determinar las decisiones que hagan máximo el estado final esperado de los activos de AR Krispy, avanzamos hacia atrás, a lo cual se llama a veces “ doblar el árbol hacia atrás” . De derecha a izquierda . Comenzaremos determinando los estados finales de activos para los siguientes tres nodos de evento:

150 000 - 30 000 = 120 000 No vender a escala nacional

360 000 0.60 Éxito local

Vender a escala nacional 0.85 Éxito nacional 150 000 - 30 000 + 300 000 = 420 000

360 000 264 000 0.40 Fracaso local Hacer prueba de mercado

0.15 Fracaso nacional 150 000 - 30 000 - 100 000 = 20 000 150 000 - 30 000 = 120 000

No vender a escala nacional

120 000 0.10 Éxito nacional Vender a escala nacional 60 000 0.55 Éxito nacional 270 000 0.90 Fracaso nacional 150 000 + 300 000 = 450 000 150 000 - 30 000 - 100 000 = 20 000 150 000 - 30 000 + 300 000 = 420 000

2 7 0 0 0 0

No hacer prueba de mercado

0.45 Fracaso nacional

150 000 - 100 000 = 50 000 Vender a escala nacional 270 000

No vender a escala nacional 150 000

Arboles de Decisiones
1. Vender a nivel nacional después de obtener éxito local. En este caso tenemos un estado final esperado de activos igual a 0.85(420 000) + 0.15(20 000) = 360 000 dólares. 2. Vender a un nivel nacional después de fracaso local. En este caso, tenemos un estado final esperado de activos igual a 0.10(420 000) + 0.90(20 000)= 60 000 dólares. 3. Vender a nivel nacional después de no probar el mercado. En este caso tendremos un estado final esperado de activos igual a 0.55 (450 000) + 0.45(50 000) = 270 000 dólares.

Arboles de Decisiones
Decisión después de éxito local. Vender a nivel nacional da un estado esperado de activos mayor que no vender a nivel nacional y anotamos un estado final esperado de activos de 360 000 dólares. Decisión después del fracaso local. No vender a nivel nacional da un estado final esperado de activos mayor que no vender a nivel nacional y por tanto marcamos con ││ no vender a nivel nacional y anotamos un estado final esperado de activos igual a 120 000 dólares. Decisión de no probar a nivel nacional vender a nivel nacional produce un estado final esperado de activos mayor que no vender a nivel nacional y por tanto marcamos con ││ vender a nivel nacional y anotamos un estado final esperado de activos a 270 00 dólares. Este nodo da un estado final esperado de activos igual 0.60(360 000) 0.40(120 000) = 264 000 dólares que se marca en ● .

Arboles de Decisiones
Todo lo que queda es determinar la decisión correcta en el nodo de decisión, probar el mercado en comparación con no probar el mercado. Hemos visto que probar el mercado produce un estado final esperado de activos igual a 264 000 dólares y no probar el mercado de 270 000 dólares. Por tanto , marcamos con ││ no probar el mercado y anotamos 270 000 dólares ■

Hemos alcanzado el principio del árbol y hemos encontrado que la decisión optima de AR Krispy es no probar el mercado y vender a nivel nacional, esta estrategia producirá un estado final esperado de 270 000 dólares.

Obsérvese que el árbol de decisión también señala que si hubiéramos probado el mercado y después hubiéramos actuado en forma optima (ósea , vender a nivel nacional después del éxito local y no vender a nivel nacional después del fracaso local) hubiéramos obtenido un estado final esperado de activos igual a 264 000 dólares.

LOGO LOGO

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->