Universidad nacional de san Agustín

FACULTAD DE ADMINISTRACIÓN
ESCUELA PROFESIONAL DE ADMINISTRACIÓN

CURSO: TEORIA DE DESICIONES

TEMA: IDENTIFICAR LOS ARBOLES DE DECISION

INTEGRANTES:

DOCENTE:

Arequipa _Perú
2018
 Dedicatoria

ESTA PÁGINA ES OPCIONAL.

Dedicamos esta plantilla a los usuarios de nuestros sitios: normasapa.com,
normasieee.com, normasicontec.org.
 Tabla de Contenidos

1. HISTORIA.......................................................................................................................3
2. CONCEPTO GENERALES............................................................................................5
3. IMPORTANCIA Y APLICACIÓN DE UN ÁRBOL DE DECISIONES......................8
4. CARACTERÍSTICAS...................................................................................................14
5. TIPOS DE ARBOLES DE DECISION.........................................................................15
6. CLASIFICACION DE LOS ARBOLES DE DECISIÓN.............................................20
7. VENTAJAS DE UN ÁRBOL DE DECISIONES.........................................................22
8. DESVENTAJAS DE UN ÁRBOL DE DECISIONES.................................................24
9. LIMITACIONES...........................................................................................................25
10. EJEMPLOS................................................................................................................25
Lista de referencias........................................................................................................................39
 Lista de figuras

Figura 1. Formas y descripción de las formas.....................................................................4

 INTRODUCCION

La toma de decisión consiste en encontrar una conducta adecuada para resolver

una situación problemática, en la que, además, hay una serie de sucesos inciertos.

En las empresas todo el tiempo se toman decisiones, la gran mayoría bajo una estrategia que

tome en cuenta la complejidad de las situaciones. Para facilitarlo, los expertos han creado

metodologías que les permitan tomar el camino más adecuado, en beneficio de su organización y

su personal. Una de ellas es el árbol de decisiones. 

Para los administradores, el proceso de toma de decisión es sin duda una de las mayores

responsabilidades. La toma de decisiones en una organización se circunscribe a una serie de

personas que están apoyando el mismo proyecto. Debemos empezar por hacer una selección de

decisiones, y esta selección es una de las tareas de gran trascendencia.

Con frecuencia se dice que las decisiones son algo así como el motor de los negocios y en efecto,

de la adecuada selección de alternativas depende en gran parte el éxito de cualquier

organización. Una decisión puede variar en trascendencia y connotación.

Los administradores consideran a veces la toma de decisiones como su trabajo principal, porque

constantemente tienen que decidir lo que debe hacerse, quién ha de hacerlo, cuándo y dónde, y

en ocasiones hasta cómo se hará. Sin embargo, la toma de decisiones sólo es un paso de

la planeación, incluso cuando se hace con rapidez y dedicándole poca atención o cuando influye

sobre la acción sólo durante unos minutos.

William T. Greenwood, autor del libro “Teoría de decisiones y sistemas de información”, explica

que la toma de decisiones básicamente es una resolución de problemas, y como tal, se debe

buscar la mejor alternativa, aplicar un diagnóstico adecuado y realizar una búsqueda minuciosa,
para elegir la mejor alternativa basados en un proceso de ramificación. Este proceso de

ramificación es el árbol de decisiones que permite estimar alternativas ante la solución de

problemas.
 1. HISTORIA

Durante años la investigación en aprendizaje automático se ha realizado con distinto grado de

intensidad, utilizando diferentes técnicas y haciendo énfasis en  distintos aspectos y objetivos.

Dentro de la relativamente corta historia de esta disciplina, es posible distinguir tres periodos

importantes, cada uno de los cuales está centrado en distintos paradigmas:

 Técnicas de modelado neuronal y de decisión

 Aprendizaje orientado a conceptos simbólicos

 Sistemas de aprendizaje de conocimiento con exploración de varias tareas

La característica distintiva del primer paradigma fue el interés de construir sistemas de

aprendizaje de propósito general que partan con poco o ningún conocimiento inicial de la

estructura. La investigación se orientó a la construcción de máquinas basadas en

modelos  neuronales, con una estructura inicial aleatoria. Estos sistemas fueron denominados

Redes Neuronales o Sistemas Auto-organizativos. El aprendizaje en estos sistemas consiste en la

realización de cambios incrementales en las probabilidades de que elementos del tipo neurona

(típicamente unidades lógicas con umbral) puedan transmitir una señal. 

Debido a la primitiva tecnología computacional de los primeros años, la mayoría de las

investigaciones en esta área eran teóricas tal como perceptores. El fundamento de estos trabajos

fue hecho en la década de los cuarenta por Rashevsky y sus seguidores del área de biofísica
(Rashevsky, 1948), y McCulloch y Pitts (1943), quienes descubrieron la aplicabilidad de la

lógica simbólica para el modelado de actividades del sistema nervioso.

Un segundo paradigma comenzó a emerger en los sesenta, a partir de los trabajos de psicólogos e

investigadores en inteligencia artificial, sobre el modelado del aprendizaje humano. El

paradigma utilizaba estructuras lógicas o de grafos en vez de métodos numéricos o estadísticos.

Los sistemas aprendían descripciones simbólicas que representaban un mayor nivel de

conocimiento de las estructuras y conceptos adquiridos.

Una influencia importante en esta área de trabajo fue el sistema de aprendizaje estructural de

Winston (Winston, 1975), incluyendo los programas de aprendizaje basados en lógica inductiva.

El tercer paradigma representa el periodo de investigación más reciente, comenzando a partir de

mediado de los setenta.  Se ha hecho especial énfasis en el uso de conocimiento orientado a

tareas y en las restricciones que este provee, que guían el proceso de aprendizaje. Se trabaja en

aprendizaje a partir de instrucciones, por analogía y descubrimiento de conceptos y

clasificaciones. En contraste con esfuerzos previos, las nuevas investigaciones tienden a

incorporar heurísticas, y utilizar ejemplos de entrenamiento para el aprendizaje de conceptos.

2. CONCEPTO GENERALES

Toma de decisiones
Para tomar una decisión, es necesario conocer, comprender y analizar un problema, para así

poder darle solución. En algunos casos, por ser tan simples y cotidianos, este proceso se realiza

de forma implícita y se soluciona muy rápidamente, pero existen otros casos en los cuales las

consecuencias de una mala o buena elección pueden tener repercusiones en la vida y si es en un

contexto laboral en el éxito o fracaso de la organización, para los cuales es necesario realizar un

proceso más estructurado que puede dar más seguridad e información para resolver el problema.

Las decisiones se pueden clasificar en:

Decisiones programadas

Las decisiones programadas se usan para abordar problemas recurrentes. Sean complejos o

simples

Decisiones no programadas

No estructuradas, son decisiones que se toman ante problemas o situaciones que se presentan con

poca frecuencia, o aquellas que necesitan de un modelo o proceso específico de solución.

Según situaciones ambientes se pueden clasificar en:

Ambiente de certeza
 Se tiene conocimiento total sobre el problema, las opciones de solución que se planteen van a

causar siempre resultados conocidos e invariables. Al tomar la decisión sólo se debe pensar en la

opción que genere mayor beneficio.

Ambiente de incertidumbre

Se posee información deficiente para tomar la decisión, no se tiene ningún control sobre la

situación, no se conoce como puede variar o la interacción de las variables, se pueden plantear

diferentes opciones de solución pero no se puede asignar probabilidad a los resultados. (Por esto,

se lo llama "incertidumbre sin probabilidad").

Árbol de Decisión

Un Árbol de Decisión (o Árboles de Decisiones) es un método analítico que a través de una

representación esquemática de las alternativas disponible facilita la toma de mejores

decisiones, especialmente cuando existen riesgos, costos, beneficios y múltiples opciones.

Los árboles de decisión son especialmente útiles cuando:

1. Las alternativas o cursos de acción están bien definidas (por ejemplo: aceptar o rechazar

una propuesta, aumentar o no la capacidad de producción, construir o no una nueva bodega, etc.)

2. Las incertidumbres pueden ser cuantificadas (por ejemplo: probabilidad de éxito de una

campaña publicitaria, probable efecto en ventas, probabilidad de pasar de etapas, etc.)

3. Los objetivos están claros (por ejemplo: aumentar las ventas, maximizar utilidades,

minimizar costos, etc.)

Por lo tanto un árbol de decisión es un mapa de los posibles resultados de una serie de decisiones

relacionadas. Permite que un individuo o una organización comparen posibles acciones entre sí

según sus costos, probabilidades y beneficios. Se pueden usar para dirigir un intercambio de

ideas informal o trazar un algoritmo que anticipe matemáticamente la mejor opción.

Un árbol de decisión, por lo general, comienza con un único nodo y luego se ramifica en

resultados posibles. Cada uno de esos resultados crea nodos adicionales, que se ramifican en

otras posibilidades. Esto le da una forma similar a la de un árbol.

Todos los arboles de decisión requieren las siguientes cuatro componentes:

 Alternativas de decisión en cada punto de decisión.

 Eventos que pueden ocurrir como resultado de cada alternativa de decisión.

 Probabilidad de que ocurran eventos posibles como resultado de las decisiones.

 Resultados de las posibles interacciones entre las alternativas de decisión y los

eventos. (Casi siempre expresados en términos económicos).

Tipos de nodos
Nodos de probabilidad: Representado con un círculo, muestra las probabilidades de ciertos

resultados.

Nodo de decisión: Representado con un cuadrado, muestra una decisión que se tomará.

Nodo terminal: Muestra el resultado definitivo de una ruta de decisión.

3. IMPORTANCIA Y APLICACIÓN DE UN ÁRBOL DE DECISIONES

A nivel empresarial existe un alto grado de competitividad, y debido a los constantes cambios

que hay en el mercado requiere de decisiones rápidas y acertadas para alcanzar el éxito de la

empresa; la técnica del Árbol de Decisiones nos facilitará la tarea de seleccionar las estrategias

convenientes a seguir dentro de la empresa, por lo que se hace de vital importancia el conocer

dicha técnica y comprenderla.

La técnica del Árbol de Decisiones nos permite plantear claramente el problema de tal manera

que todas las opciones sean analizadas para posteriormente realizar un estudio rápido de todas las

consecuencias de las posibles decisiones. Esto es posible ya que utiliza un esquema que

cuantifica el costo de los resultados y las probabilidades de que los diferentes resultados

aparezcan, en consecuencia nos ayuda a tomar decisiones adecuadamente.

Nos facilitará la representación y análisis de diferentes situaciones futuras de forma

secuencial a través del tiempo, es de gran utilidad cuando se debe optimizar diferentes

decisiones. La técnica del Árbol de Decisiones involucra varias alternativas, de tal manera que es

necesaria la identificación de todas para optimizar los resultados a obtener.

 Debemos tomar muy en cuenta las probabilidades de ocurrencia de cada una de las

consecuencias de las decisiones, cuanta mayor información tengamos de las posibles

consecuencias entonces serán más exactas las predicciones y mejores las decisiones a tomar; será

de gran utilidad si se examinan decisiones de inversión o de financiamiento.

Dentro de la Gerencia y la Administración Financiera serán de gran ayuda pues se logrará

tener un mapa que pueda medir el riesgo y beneficios de las decisiones tomadas, claramente será

de mayor precisión en cuanto se pueda contar con la mayor cantidad de información posible que

nos permita elegir las opciones que minimicen el riesgo y maximicen los beneficios. La técnica

del Árbol de Decisiones puede ser aplicada en cualquier problema de toma de decisiones, sin

embargo se tiene un uso amplio en la toma de decisiones de inversión, reinversión, políticas de

créditos y financiamiento a corto y largo plazo.

Una de las decisiones que se puede tomar dentro de una empresa es el posicionamiento, por

ejemplo, en el caso de que una empresa ha tenido un excelente año y ha obtenido una gran

posición dentro del mercado pretende incrementar su posición dentro del mercado por lo que se

plantea en incursionar con un producto nuevo o consolidar otro que no tiene gran

posicionamiento. En este caso es necesario realizar un Árbol de Decisiones para encontrar la

mejor decisión a tomar, considerando que el problema es “¿Debería desarrollar un nuevo

producto o consolidar uno ya desarrollado?”. En función a esta pregunta comenzará a plantear

las distintas alternativas de decisión que se encontrarán en primer término entre Desarrollar un

nuevo Producto (Decisión A) o Consolidar un Producto ya Desarrollado (Decisión B).

En caso de elegir desarrollar un nuevo producto, tendrá también que elegir entre Desarrollarlo

meticulosamente (Decisión A-1) o Desarrollarlo solo rápidamente (Decisión A-2). En caso de

elegir Consolidar un producto ya desarrollado, entonces tendrá que elegir entre Consolidar un

producto fortalecido o popular (Decisión B-1) o Consolidar un producto de poca participación en

el mercado (Decisión B-2). Todas estas opciones de decisión serán graficadas en el Árbol de

Decisiones (nodos de decisión), a la vez que se otorgarán las diferentes posibilidades de reacción

del mercado (nodos de incertidumbre) como buena, moderada y pobre reacción del mercado. Lo

observaremos más claro en el siguiente gráfico.

En este punto dependerá de la información con la que cuente la empresa para que pueda

seguir adelante con el análisis y determinar cuál sería la opción más adecuada a elegir, pero no

entraremos en detalles aún puesto que eso se explicará con más detenimiento posteriormente.

La técnica de Árbol de Decisión es también utilizada por entidades financieras (bancos, cajas

de ahorro y crédito, micro-financieras, cooperativas, etc.) para la evaluación del riesgo crediticio

de sus clientes (el riesgo de crédito es la posibilidad de pérdida económica derivada del
incumplimiento de las obligaciones asumidas por las contrapartes de un contrato), en este caso

utilizarán esquemas de tipo Árbol de Decisiones para clasificar a los clientes de alto, moderado y

bajo riesgo o quizá en buen o mal cliente. En este tipo de evaluación de riesgo, se clasificará a

los clientes de créditos en clientes de alto, moderado o bajo riesgo tomando en cuenta valores

cualitativos como la historia crediticia del cliente; y valores cuantitativos como el aval, los

ingresos del cliente y el monto del préstamo.

Podríamos considerar que estos son valores que evaluaremos siempre en todo cliente, sin

embargo cada uno tendrá una importancia en la evaluación, de tal manera que en algunos casos

no será necesario evaluar alguno de ellos para clasificar el riesgo, nos será de mayor utilidad

observar el siguiente esquema.

 Como podemos observar, en el caso de aquellas personas que perciben un nivel bajo de

ingresos se les calificará de alto riesgo, las personas que perciben ingresos altos y medios

necesitaran que se les evalúe la historia crediticia; sin embargo la evaluación terminará allí para

quienes tienen ingresos altos, mientras que para aquellos que tienen ingresos medios e historia

crediticia desconocida deberán ser también evaluados en relación al monto de su deuda.

3.1. Finalidad del Árbol de Decisiones

 La parte más importante suele ser identificar las distintas alternativas, los

posibles eventos que pueden influir en los resultados y las probabilidades de ocurrencia de estos

eventos. Partiendo de esto, tenemos como finalidad de un Árbol de Decisiones:

 Mostrar gráficamente toda la información de un problema. Se dice gráficamente ya

que el Árbol de Decisiones tiene un esquema específico, sigue una secuencia que es el

partir de un problema y de él desprender todas las posibles soluciones con sus respectivos

análisis.

 Dibujar la representación esquemática del problema logrando así que la información

se entienda más fácilmente. La manera cómo está organizada la información dentro de un

Árbol de Decisiones hace posible un mayor entendimiento y que sea fácil ubicar la

información obtenida y de dónde es que procede.

 Simplificar los cálculos de probabilidades muy complejas. De grandes resultados

obtener unos más simples y entendibles siguiendo una secuencia lógica.

4. CARACTERÍSTICAS

 Plantea el problema para que todas las opciones sean analizadas. Esto debido a la

forma ramificada del Árbol de Decisiones, que hace que de un problema existente (el

tronco del árbol), se desprendan todas las posibles soluciones (las ramas del árbol), esto

nos permite analizar cada alternativa de manera ordenada y secuencial, permitiendo

profundizar en cada opción minuciosamente y haciendo el mismo análisis de cada una

para llegar así a una sola conclusión.

  Permite analizar de manera completa todas las posibles consecuencias de tomar una

decisión. Es una herramienta que ayuda a la comprensión total del problema.

 Provee de un esquema para cuantificar el costo del resultado y su probabilidad de que

suceda. Gracias a su estructura el análisis de las alternativas de solución se da de manera

ordenada siguiendo una secuencia que hace que podamos manejar con mayor facilidad

los datos obtenidos.

 Ayuda a realizar las mejores decisiones con base a la información existente y a las

mejores suposiciones. Es un método científico, que conduce a conclusiones también

científicas, consistente con la experiencia, juicio e intuición que el tomador de decisiones

manifiesta a través de la asignación de probabilidades y la cuantificación de los

resultados posibles.

 Su estructura permite analizar las alternativas, los eventos, las probabilidades y los

resultados. Permite mostrar la estructura total del problema, poniendo de manifiesto tanto

la secuencia de las decisiones como la incertidumbre presente a lo largo de dicha

secuencia.

5. TIPOS DE ARBOLES DE DECISION

Una herramienta común que se utiliza en diferentes técnicas de resolución de problemas es el

árbol de decisión. Para usar esta herramienta se debe trazar un árbol de decisión con diferentes
ramas y hojas que apunten a todos los factores que rodean una situación en particular.
Dependiendo de la situación y del resultado deseado, existen varios tipos de árboles que se puede
usar:
 Árbol de clasificación
Se usa el árbol de clasificación cuando existen diferentes partes de información que se
haya calculado para determinar el resultado más predecible. Con el árbol de decisión por
clasificación se debe usar un proceso binario de categorías y subcategorías para
esquematizar las diferentes variables que rodean a un resultado. Este tipo de árbol puede
emplearse en probabilidad y estadística.

 Árbol de regresión
Este tipo de árbol de decisión se usa cuando se tiene diferentes partes de información
para determinar un único resultado predeterminado. Durante el proceso de construir este
árbol se debe dividir las diferentes partes de información en secciones y luego subdividir
en varios subgrupos. Este tipo de árbol es usado principalmente en cálculos de bienes
raíces.

 Árbol de mejora
Este tipo de árbol de decisión se usa cuando se quiere incrementar la precisión del
proceso de toma de decisiones. Para esto se debe tomar una sola variable y luego
calcularla y estructurarla de manera que la cantidad de errores se minimicen tanto como
sea posible. Este tipo de árbol se usa principalmente en contabilidad y matemáticas.

 Bosques de árboles de decisión

Estos se generan cuando se crea diferentes árboles de decisión y luego se agrupan entre sí
para hacer una determinación precisa de lo que pasará con un resultado en particular. A
menudo los bosques de árboles de decisión se usarán para evaluar el resultado global de
un evento en particular con base a la dirección que estén tomando los diferentes árboles
de decisión.

 Árbol de clasificación y regresión

 Este tipo de árbol de decisión es usado para predecir el resultado de un evento usando
factores dependientes para hacer la asunción más lógica. Para lograrlo se puede usar
indicadores atrasados (lo que ha pasado) e indicadores en tiempo real o categorías claras
y específicas para examinar el resultado esperado. Esto se usa principalmente en ciencia.

 Agrupamiento de las K medias

Éste es considerado como el menos preciso de los árboles de decisión. Cuando se usa este
árbol de decisión se debe combinar todos los factores diferentes que se ha identificado
previamente en los que se presume que todos los grupos son iguales. Esta asunción puede
ocasionar que algunos de los resultados esperados sean ampliamente diferentes. Este
árbol se usa principalmente en el estudio de la genética.

Algunas técnicas, a menudo llamados métodos conjuntos híbridos, construyen más de un árbol
de decisión:

 Bagging: (Ensamblado) crea múltiples árboles de decisión haciendo un remuestreo de los

datos de origen, luego hace que los árboles voten para llegar a un consenso.
 Un clasificador de selva aleatoria: consiste en múltiples árboles diseñados para aumentar
la tasa de clasificación.
 Los árboles ampliados: se pueden usar en árboles de clasificación y de regresión.
 Los árboles en una Selva aleatoria: (Rotation Forest) se entrenan mediante el uso del
análisis de componentes principales (ACP) en una porción aleatoria de los datos.

Usos generales del análisis de árboles de decisión

Los árboles de decisión crean un modelo de clasificación basado en diagramas de flujo.
Clasifican casos en grupos o pronostican valores de una variable dependiente (criterio) basada en
valores de variables independientes (predictoras).

El desarrollo de árboles de decisión ha beneficiado a analistas en dos formas, la necesidad de

describir condiciones y acciones llevan a los analistas a identificar de manera formal las
decisiones que actualmente deben tomarse. De esta forma, es difícil para ellos pasar por alto
cualquier etapa del proceso de decisión, sin importar que este dependa de variables cuantitativas
o cualitativas. Los árboles también obligan a los analistas a considerar la consecuencia de las
decisiones.  
Se ha demostrado que los árboles de decisión son eficaces cuando es necesario describir
problemas con más de una dimensión o condición. También son útiles para identificar los
requerimientos de datos críticos que rodean al proceso de decisión, es decir, los árboles indican
los conjuntos de datos que la gerencia requiere para formular decisiones o tomar acciones. El
analista debe identificar y elaborar una lista de todos los datos utilizados en el proceso de
decisión, aunque el árbol de decisión no muestra todo los datos.

Si los árboles de decisión se construyen después de completar el análisis de flujo de datos,

entonces es posible que los datos críticos se encuentren definidos en el diccionario de datos (el
cual describe los datos utilizados por el sistema y donde se emplean). Si únicamente se usan
árboles de decisiones, entonces el analista debe tener la certeza de identificar con precisión cada
dato necesario para tomar la decisión.

Los árboles de decisión no siempre son la mejor herramienta para el análisis de decisiones. El
árbol de decisiones de un sistema complejo con muchas secuencias de pasos y combinaciones de
condiciones puede tener un tamaño considerable. El gran número de ramas que pertenecen a
varias trayectorias constituye más un problema que una ayuda para el análisis. En estos casos los
analistas corren el riesgo de no determinar qué políticas o estrategias de la empresa son la guía
para la toma de decisiones específicas. Cuando aparecen estos problemas, entonces es momento
de considerar las tablas de decisión.

Ejemplo:

LA TERMINOLOGÍA ASOCIADA A LA TÉCNICA DE LOS ÁRBOLES DE DECISIÓN

 Nodo de decisión: una decisión necesita tomarse en ese punto del proceso.
 Nodo de probabilidad: En ese punto ocurre un evento aleatorio. Probabilidades de que
ocurran los eventos posibles como resultado de las decisiones.
 Nodo terminal: Todos los casos tienen el mismo valor para la variable dependiente. Es
un nodo homogéneo que no requiere ninguna división adicional, ya que es “puro”.
 Rama: Nos muestra los distintos caminos que se pueden emprender cuando tomamos una
decisión

ALGORITMOS
 ID3 (Induction Decision Trees): Desarrollado por J. Ross Quinlan en 1983. Pertenece a
la familia TDIDT (Top - Down Induction of Decision Trees) El algoritmo ID3 es
utilizado dentro del ámbito de la inteligencia artificial. Su uso se engloba en la búsqueda
 de hipótesis o reglas en él, dado un conjunto de ejemplos. El conjunto de ejemplos deberá
estar conformado por una serie de tuplas de valores, cada uno de ellos denominados
atributos, en el que uno de ellos, (el atributo a clasificar) es el objetivo, el cual es de
tipo binario (positivo o negativo, sí o no, válido o inválido, etc.). De esta forma
el algoritmo trata de obtener las hipótesis que clasifiquen ante nuevas instancias, si dicho
ejemplo va a ser positivo o negativo.
 ACR (Árboles de Clasificación y Regresión) El término Arboles de Clasificación y
Regresión (ACR) es un término genérico utilizado para referirse a ambos de los
procedimientos anteriores, introducido por primera vez por Breiman et al. Los árboles
utilizados para la regresión y los árboles utilizados para la clasificación tienen algunas
similitudes - pero también algunos diferencias, tales como el procedimiento utilizado para
determinar donde dividir.
 CHAID (Detector automático de Chi-cuadrado de interacción). Realiza divisiones de
múltiples niveles al calcular los árboles de clasificación.
 MARS: Extiende los árboles de decisión para manejar mejor datos numéricos.
 Árboles de Inferencia Condicional. Enfoque que utiliza pruebas no paramétricas como
criterios de división, corregidos para múltiples pruebas para evitar el sobreajuste. Este
enfoque se traduce en la selección de un predictor imparcial y no requiere poda.

ID3 y ACR se inventaron de forma independiente en la misma época (entre 1970 y 1980), pero
ambos siguen un enfoque similar para el aprendizaje basado en árboles de decisión. Cada método
debe determinar cuál es la mejor forma de dividir los datos en cada nivel. Los métodos comunes
para hacerlo incluyen la medición de la impureza de Gini, la obtención de información y la
reducción de variaciones.

6. CLASIFICACION DE LOS ARBOLES DE DECISIÓN

ÁRBOL DE DECISIÓN BINARIO

Según Breiman (1984), consiste en un proceso de decisión multietápico. (Consiste en la
aplicación de un muestreo por conglomerados. En esencia se desarrolla como un Muestreo
Aleatorio Simple, pero a diferencia de este, no todos los individuos tienen la misma probabilidad
de ser seleccionados para la muestra).

ÁRBOLES DE JUEGO
Es una aplicación del árbol de decisión, puesto que se genera el árbol de acuerdo al nivel de
previsión y cada jugador va decidiendo que jugada le conviene más de acuerdo a la evaluación
de una determinada posición.
COMPONENTES DE UN ÁRBOL DE DECISIONES

 Alternativas de decisión en cada punto de decisión.

 Eventos que pueden ocurrir como resultado de cada alternativa de decisión.
 Probabilidades de que ocurran los eventos posibles como resultado de las decisiones.
 Resultados (casi siempre expresados en términos económicos) de las posibles
interacciones entre las alternativas de decisión y los eventos.

SÍMBOLOS DE LOS ÁRBOLES DE DECISIÓN

 Figura 1: Simbología en un árbol de decisión.

ANATOMÍA DE UN ÁRBOL DE DECISIÓN

Uno de los beneficios del diagrama de árbol de decisión es que no hay demasiados elementos.

Los elementos clave se denominan "nodos" y se representan con un cuadrado o un círculo con

ramas (líneas) que los conectan hasta lograr el resultado deseado. Los cuadrados indican

decisiones, mientras que los círculos muestran resultados inciertos.

Los nodos tienen, como mínimo, dos ramas que se extienden hacia fuera. Escribe una solución

posible en cada línea y conéctala al siguiente nodo. Continúa haciendo esto hasta que llegues al

final de las posibilidades. Luego, dibuja un triángulo, este representará el resultado.

CÓMO DIBUJAR UN ÁRBOL DE DECISIONES

Para comenzar a dibujar un árbol de decisión debemos escribir cuál es la decisión

que necesitamos tomar. Dibujaremos un recuadro para representar esto en la parte

izquierda de una página grande de papel.

Desde este recuadro se deben dibujar líneas hacia la derecha para cada posible

solución, y escribir cuál es la solución sobre cada línea. Se debe mantener las líneas

lo más apartadas posibles para poder expandir tanto como se pueda el esquema.

Al final de cada línea se debe estimar cuál puede ser el resultado. Si este resultado

es incierto, se puede dibujar un pequeño círculo. Si el resultado es otra decisión que

necesita ser tomada, se debe dibujar otro recuadro. Los recuadros representan

decisiones, y los círculos representan resultados inciertos . Se debe escribir la

decisión o el causante arriba de los cuadros o círculos.

Comenzando por los recuadros de una nueva decisión en el diagrama, dibujar líneas

que salgan representando las opciones que podemos seleccionar. Desde los círculos

se deben dibujar líneas que representen las posibles consecuencias. Nuevamente se

debe hacer una pequeña inscripción sobre las líneas que digan que significan. Seguir

realizando esto hasta que tengamos dibujado tantas consecuencias y decisiones

como sea posible ver asociadas a la decisión original.

Un ejemplo de árbol de decisión se puede ver en la siguiente figura:

Figura 2: Árbol de decisión

básico.

Una vez que tenemos

hecho esto, revisamos el

diagrama en árbol.

Controlamos cada cuadro

y círculo para ver si hay

alguna solución o

consecuencia que no

hayamos considerado. Si

hay alguna, la debemos agregar. En algunos casos será necesario dibujar

nuevamente todo el árbol si partes de él se ven muy desarregladas o desorganizadas.

Ahora ya tendremos un buen entendimiento de las posibles consecuencias de

nuestras decisiones.

EVALUAR LOS ÁRBOLES

Aquí es cuando podemos analizar cuál opción tiene el mayor valor para nosotros.

Comencemos por asignar un costo o puntaje a cada posible resultado (cuánto

creemos que podría ser el valor para nosotros si estos resultados ocurren).

Luego, debemos ver cada uno de los círculos (que representan puntos de

incertidumbre) y estimar la probabilidad de cada resultado. Si utilizamos fracciones,

estas deberían sumar 1 (si utilizamos porcentajes, el total debe sumar 100%). Si

tenemos algún tipo de información basada en eventos del pasado, quizás estemos en

mejores condiciones de hacer estimaciones más rigurosas sobre las probabilidades.

De otra forma, debemos realizar nuestra mejor suposición.

 Figura 3: Representación completa de un árbol de decisión.

CALCULAR LOS VALORES DE LOS ÁRBOLES

Una vez que calculamos el valor de cada uno de los resultados, y hemos evaluado la

probabilidad de que ocurran las consecuencias inciertas, ya es momento de calcular

el valor que nos ayudará a tomar nuestras decisiones.

Comenzamos por la derecha del árbol de decisión, y recorremos el mismo hacia la

izquierda. Cuando completamos un conjunto de cálculos en un nodo (cuadro de

decisión o círculo de incertidumbre), todo lo que necesitamos hacer es anotar el

resultado. Podemos ignorar todos los cálculos que llevan a ese resultado.
CALCULAR EL VALOR DE LOS NODOS DE INCERTIDUMBRE (círculos)

Cuando vayamos a calcular el valor para resultados inciertos (los círculos),

debemos hacerlo multiplicando el costo de estos resultados por la probabilidad de

que se produzcan. El total para esos nodos del árbol lo constituye la suma de todos

estos valores.

CALCULAR EL VALOR DE LOS NODOS DE DECISIÓN (recuadros)

Cuando evaluamos los nodos de decisión, debemos escribir el costo de la opción

sobre cada línea de decisión. Luego, debemos calcular el costo total basado en los

valores de los resultados que ya hemos calculado. Esto nos dará un valor que

representa el beneficio de tal decisión.

Hay que tener en cuenta que la cantidad ya gastada no cuenta en este análisis - estos

son costos ya perdidos y (a pesar de los argumentos que pueda tener un contador) no

deberían ser imputados a las decisiones.

Cuando ya hayamos calculado los beneficios de estas decisiones, deberemos elegir

la opción que tiene el beneficio más importante, y tomar a este como la decisión

tomada. Este es el valor de este nodo de decisión.

El árbol final con los resultados de los cálculos pueden verse en la siguiente figura:
 Figura 4: Cálculos en un árbol. De decisión.

CUÁL ES EL RESULTADO

Realizando este análisis podemos ver que la mejor opción es el desarrollo de un

nuevo producto. Es mucho más valiosos para nosotros que tomemos suficiente

tiempo para registrar el producto antes que apurarnos a sacarlo rápidamente al

mercado. Es preferible el mejorar nuestros productos ya desarrollados que echar a

perder un nuevo producto, incluso sabiendo que nos costará menos.

7. VENTAJAS DE UN ÁRBOL DE DECISIONES

 Fácil de entender e interpretar: la regla de asignación es simple y legible, por tanto la

interpretación de resultados es directa e intuitiva.
 Se tiene a disposición diferentes soluciones a un problema o situación: Uno de los
aspectos más útiles de árboles de decisión es que te obligan a considerar la mayor
cantidad de resultados posibles y analizar la mayor cantidad de datos de una decisión que
se pueda imaginar.
 Analiza a profundidad las opciones planteadas: Plantea muy claramente el problema para
que todas las opciones sean analizadas y nos ayuda a realizar las mejores decisiones
sobre la base de la información existente y de las mejores suposiciones.
 Analiza las consecuencias: Permiten analizar totalmente las posibles consecuencias y los
posibles efectos que pueda tener la toma de una decisión determinada, previendo una
estructura sumamente efectiva dentro de la cual se puede estimar cuales son las opciones
e investigar las posibles consecuencias de seleccionar cada una de ellas
 Muestra un esquema de coste de las distintas alternativas: Provee un esquema para
cuantificar el costo de un resultado y la probabilidad de que suceda.
 Decisiones adecuadas: el esquema que utiliza permite tomar decisiones adecuadamente
para la toma de decisiones.
 Es valida sea cual fuera la naturaleza: es posible validar un modelo utilizando pruebas
estadísticas. Eso hace que sea posible tener en cuenta la fiabilidad del modelo.
 Requiere poca preparación de los datos: Otras técnicas a menudo requieren la
normalización de datos, utilización de variables ficticias necesitan ser creados y valores
en blanco deben ser eliminados.
 Explica el comportamiento respecto a una determinada decisión: Los árboles de decisión
proporcionan un marco para considerar la probabilidad y los pagos de las decisiones, lo
que puede ayudar a analizar la decisión de tomar la decisión más informada posible.

8. DESVENTAJAS DE UN ÁRBOL DE DECISIONES

 Requiere experiencia: Los árboles de decisión suelen requerir un poco de conocimiento

de la experiencia cuantitativa o estadística para completar el trabajo con precisión. Al no
entender con precisión los árboles de decisión puede conducir a un resultado de la
oportunidad de negocio confuso o posibilidad de decisión.
 Información Incompleta: Los árboles de decisión requieren un gran número de datos
interna y externa relacionada con la organización y su entorno operativo de los que
muchas veces no disponemos.. Los gerentes deben ser capaces de recoger las piezas clave
de información para evaluar con precisión las oportunidades que aparecen en el árbol de
decisión. También puede ser difícil de incluir variables en el árbol de decisión,
incluyendo información duplicada o información expresada en una lógica coherente. Los
gerentes deben decidir si el árbol de decisiones debe representar dólares, porcentajes, o
una combinación. La incapacidad para completar el árbol de decisión usando solamente
un sistema de información puede ser un poco difícil.
 Demasiada información: Mientras que la información incompleta puede dar lugar a
dificultades en el proceso de toma decisiones del árbol, un exceso de información
también puede ser un problema. Los gerentes pueden crear una "parálisis de análisis",
donde estas personas tienen que hacer frente a un exceso de información al tomar una
decisión. En lugar de tomar una decisión y llevar a cabo la misión o visión de su empresa,
los gerentes pasan más tiempo mirando a los árboles de decisión. Los árboles de decisión
 pueden requerir más análisis que otros métodos de análisis y de retrasar el proceso de
toma de decisiones.
 Claridad de objetivos: Al no tener claridad de objetivos, es difícil de organizar las ideas.
 Cantidad de alternativas: Presenta inconvenientes cuando la cantidad de alternativas es
grande y cuanto las decisiones no son racionales.
 En la elección de un modelo: existe una cantidad muy limitada y dificulta para elegir el
árbol óptimo.

9. LIMITACIONES

 El método es válido si el decisor utiliza como criterio decisor maximizar el valor

esperado.
 El método exige que el decisor pueda soportar el riesgo de ruina.
 En caso de que los resultados no sean temporalmente homogéneos habrán de ser
actualizados una misma fecha.
 Para datos que incluyen variables categorizadas con diferente número de niveles, el
aumento de la información en árboles de decisión se inclina a favor de esos atributos con
más niveles. Sin embargo, el tema de la selección de predicción sesgada se evita por el
enfoque de inferencia condicional.

10. EJEMPLOS

a. Un fabricante de cintas y discos desea expandir su producción para adecuarse a

una demanda creciente de sus productos. Para ellos puede optar por alguna de las

siguientes alternativas: Organizar un 2do turno, ampliar la planta y subcontratar.

Los beneficios esperados, según sean la estrategia decidida y el comportamiento

 de la demanda, y la probabilidad de ocurrencia de los tipos de demanda se

presenta en la siguiente tabla.

Estado de naturaleza(demanda)
Alternativas del
Alta Moderada Baja Falla
fabricante
2do turno $500.000 $250,000 -$250.000 -$450.000
Ampliar $700.000 $300.000 -$400.000 -$800.000
Subcontratar $300.000 $150.000 -$10.000 -$100.000
Probabilidad 0.30 0.35 0.2 0.15

Solución:

Enumeramos las diferentes alternativas de decisión.

 Organizar un segundo turno

 Ampliar la planta

 Subcontratar

Graficar el árbol de decisión.

Luego de graficar el árbol de decisión se asigna las probabilidades a cada uno de los estados de

naturaleza.

A continuación se calcula el beneficio de cada una de las ramas.

Luego, se resuelve el árbol de decisión de derecha a izquierda. Dado que la etapa final es

probabilista se debe aplicar el criterio de la esperanza matemática con el objetivo de determinar

el beneficio esperado de cada alternativa de decisión.

( 500000∗0.3 ) + ( 250000∗0.35 )+ (−250000∗0.2 )+ (−450000∗0.15 )=120000

( 700000∗0.3 ) + ( 300000∗0.35 )+ (−400000∗0.2 ) + (−800000∗0.15 )=115000

( 300000∗0.3 ) + ( 150000∗0.35 )+ (−10000∗0.2 ) + (−100000∗0.15 ) =125500

Se coloca el resultado en el nodo correspondiente:
 Y por

último

lo que

sigue

es

determinista, se debe elegir la alternativa cuyo beneficio sea mayor y colocar el resultado en el

nodo correspondiente.
La estrategia que debe seguir la fábrica es el de subcontratar puesto que este le genera $125,500

de beneficio.

b. Una fábrica esta evaluada en 150 millones. La fábrica desea incorporar un nuevo

producto al mercado, existen tres estrategias para incorporar el nuevo producto:

 Alternativa 1: Hacer un estudio de mercado del producto de forma de determinar

si se introduce o no al mercado.

 Alternativa 2: Introducir inmediatamente el producto al mercado (sin estudio).

  Alternativa 3: No lanzar inmediatamente el producto al mercado (sin estudio).

En ausencia de estudio de mercado, la fábrica estima que el producto tiene 55% de

posibilidades de ser exitoso y de 45% de ser fracaso. Si el producto es exitoso, la fábrica

aumentaría en 300 millones su valor, si el producto fracasa se devaluaría en 100 millones.

El estudio de mercado vale 30 millones. El estudio predice que existe un 60% de

probabilidad de que el producto sea éxitos. Si el estudio de mercado determina que el

producto seria exitoso, existe un 85% de posibilidades de que efectivamente lo sea. Si el

estudio de mercado determina que el producto sería un fracaso, existe solo un 10% de

posibilidades de que el producto sea exitoso. Si la empresa no desea correr riesgos (desea

maximizar el valor esperado de la empresa). ¿Qué estrategia debe seguir?

Solución:

Enumeramos las diferentes alternativas de decisión.

 Con estudio de mercado

 Sin estudio de mercado

En el caso de que se opte sin estudio de mercado, se debe decidir si se introduce o no al

mercado el nuevo producto.

Graficar el árbol de decisión:

Luego de graficar el árbol de decisión se asigna las probabilidades a cada uno de los

estados de naturaleza.
A continuación se calcula el beneficio de cada una de las ramas.

Luego, se resuelve el árbol de decisión de derecha a izquierda. Dado que la etapa final es

probabilista se debe aplicar el criterio de la esperanza matemática con el objetivo de determinar

el beneficio esperado de cada alternativa de decisión.

( 420∗0.85 ) + ( 20∗0.15 ) =360

( 420∗0.1 ) + ( 20∗0.9 )=60

( 450∗0.55 ) + ( 50∗0.45 ) =270

Se coloca el resultado en el nodo correspondiente:

Luego se Resuelve la etapa anterior. Dado que dicha etapa es determinista y que los valores que

se ha calculado son beneficios, se debe elegir la alternativa cuyo beneficio sea mayor y colocar el

resultado en el nodo correspondiente.

El paso que se sigue es probabilista por lo que debe aplicar el criterio de la esperanza matemática

con el objetivo de determinar el beneficio esperado.

( 360∗0.6 ) + ( 120∗0.4 ) =264

Y por último lo que sigue es determinista, se debe elegir la alternativa cuyo beneficio sea mayor

y colocar el resultado en el nodo correspondiente.

La estrategia que debe seguir la fábrica es el de no realizar estudio de mercado e introducir el

producto al mercado puesto que este le genera 270 millones de beneficio.

CONCLUSIONES

PRIMERA CONCLUSION: El árbol de decisión nos permite tomar decisiones mediante

información obtenida de cualquier tipo de estudio ya sea comercial, empresarial e industrial

permitiendo analizar cada una de los enlaces del esquema del árbol de decisiones.

SEGUNDA CONCLUSION: La característica singular del árbol de decisiones es que le permite

a la administración combinar técnicas analíticas tales como el método de flujo descontado de

efectivo y el de valor actual, con una representación de los efectos de los eventos y las

alternativas de decisión del futuro. Utilizando el árbol de decisión, la administración puede tener

en cuenta varios cursos de acción con mayor facilidad y claridad. De la misma manera, las

interacciones entre alternativas actuales de decisión, eventos inciertos y elecciones futuras y sus

resultados se harán más visibles.

TERCERA CONCLUSION: El concepto de árbol de decisiones no ofrece soluciones finales

para las administraciones que toman decisiones de inversión, frente a la incertidumbre. El

concepto es valioso para ilustrar la estructura de las decisiones de inversión y en la misma forma,

puede proporcionar una ayuda excelente para la evaluación de las oportunidades de inversión de

capitales.

CUARTA CONCLUSION: Es de vital importancia el conocimiento de técnicas que permitan

anticiparse y predecir los posibles resultados de las decisiones a tomar, dentro de éxito y la

adecuada gestión en administración financiera el manejo de técnicas sencillas y comprensibles de

cómo llevar a cabo un adecuado proceso de elección de estrategias y decisiones nos llevara a

estar un paso adelante y ser eficaces en el desempeño de funciones financieras.

Lista de referencias

Andrews, S. Fastqc, (2010). A quality control tool for high throughput sequence data.
Augen, J. (2004). Bioinformatics in the post-genomic era: Genome, transcriptome, proteome,
and information-based medicine. Addison-Wesley Professional.

Blankenberg, D., Kuster, G. V., Coraor, N., Ananda, G., Lazarus, R., Mangan, M., ... & Taylor,
J. (2010). Galaxy: a web‐based genome analysis tool for experimentalists. Current
protocols in molecular biology, 19-10.

Bolger, A., & Giorgi, F. Trimmomatic: A Flexible Read Trimming Tool for Illumina NGS Data.
URL http://www. usadellab. org/cms/index. php.

Giardine, B., Riemer, C., Hardison, R. C., Burhans, R., Elnitski, L., Shah, P., ... & Nekrutenko,
A. (2005). Galaxy: a platform for interactive large-scale genome analysis. Genome
research, 15(10), 1451-1455.