Abreviaciones de los temas, por ejemplo: Matriz y árbol de decisión

Jesús Mora Leslie Rosalia – leslie.jesus.m@uni.pe

Curso: Teoría de Decisiones – Profesor: Dr. Lujan Campos Luis – Ciclo: 2023-I
Universidad Nacional de Ingeniería – Facultad de Ingeniería Industrial y de Ingeniería de Sistemas

1. Caso: Inversión en la Bolsa

La empresa de alimentos “ABC Corp.” quiere ganar un rendimiento adicional y

decide evaluar si hacer o no una inversión en una de las bolsas de valores b1, b2 o
b3 que muestran un porcentaje de potencial de rendimiento alto, moderado y bajo.
Se sabe que la probabilidad de obtener un potencial de rendimiento alto es de
20%, moderado de 30% y rendimiento bajo de 50%.
Calcule los modelos de decisión y dibuje el árbol de decisiones.

Tabla de Decisiones:
Potencial de Potencial de Potencial de
Opciones de
rendimiento rendimiento rendimiento
inversión
alto moderado bajo

Probabilidad 0.2 0.3 0.5

10% de 8% de -5% de
Invertir en b1
rendimiento rendimiento rendimiento
15% de 12% de 0% de
Invertir en b2
rendimiento rendimiento rendimiento
12% de 10% de -3% de
Invertir en b3
rendimiento rendimiento rendimiento
No invertir en 0% de 0% de 0% de
ninguna opción rendimiento rendimiento rendimiento

2. Codigo Python: Probado en “COLAB”

import networkx as nx
import matplotlib.pyplot as plt

# Crear el gráfico del árbol de decisiones

G = nx.DiGraph()

# Crear los nodos del árbol de decisiones

G.add_node("Invertir")
G.add_node("No Invertir")
G.add_node("b1")
G.add_node("b2")
G.add_node("b3")

# Crear los arcos del árbol de decisiones

G.add_edge("Invertir", "b1", label="Alto")
G.add_edge("Invertir", "b2", label="Moderado")
G.add_edge("Invertir", "b3", label="Bajo")
G.add_edge("No Invertir", "b3", label="Bajo")

# Crear los nodos hoja del árbol de decisiones

 G.add_node("10%")
G.add_node("8%")
G.add_node("-5%")
G.add_node("15%")
G.add_node("12%")
G.add_node("0%")
G.add_node("12%")
G.add_node("10%")
G.add_node("-3%")

# Crear los arcos de los nodos hoja del árbol de decisiones

G.add_edge("b1", "10%", label="Alto")
G.add_edge("b1", "8%", label="Moderado")
G.add_edge("b1", "-5%", label="Bajo")
G.add_edge("b2", "15%", label="Alto")
G.add_edge("b2", "12%", label="Moderado")
G.add_edge("b2", "0%", label="Bajo")
G.add_edge("b3", "12%", label="Alto")
G.add_edge("b3", "10%", label="Moderado")
G.add_edge("b3", "-3%", label="Bajo")

# Establecer el diseño del gráfico del árbol de decisiones

pos = {"Invertir": (0, 1), "No Invertir": (0, 0),
"b1": (1, 2), "b2": (1, 1), "b3": (1, 0),
"10%": (2, 3), "8%": (2, 2), "-5%": (2, 1),
"15%": (2, 3), "12%": (2, 2), "0%": (2, 1),
"12%": (2, 3), "10%": (2, 2), "-3%": (2, 1)}
nx.draw_networkx_nodes(G, pos, node_size=1000)
nx.draw_networkx_labels(G, pos)
nx.draw_networkx_edges(G, pos, arrowstyle="->", arrowsize=20)

# Añadir etiquetas a los arcos del árbol de decisiones

labels = nx.get_edge_attributes(G, "label")
nx.draw_networkx_edge_labels(G, pos, edge_labels=labels)

# Mostrar el gráfico del árbol de decisiones

3. Gráfico árbol de decisiones: Dibujado en “Colab”

4. Árbol de Decisiones en WinQSB

5. Modelos de Decisiones: Probado en Colab

# Definir los potenciales de rendimiento de cada opción de inversión

b1 = [10, 8, -5]
b2 = [15, 12, 0]
b3 = [12, 10, -3]

# Modelo Maximax
maximax = max(max(b1), max(b2), max(b3))
print("Maximax:", maximax)

# Modelo Minimax
minimax = min(max(b1), max(b2), max(b3))
print("Minimax:", minimax)

# Modelo Laplace
p = 1/3 # Probabilidad igual para cada escenario
laplace = p * (sum(b1) + sum(b2) + sum(b3))
print("Laplace:", laplace)

# Modelo Savage
savage = max([max([abs(b1[i] - b1[j]), abs(b2[i] - b2[j]), abs(b3[i] - b3[j])]) for i in
range(3)] )
print("Savage:", savage)

# Modelo Valor Esperado

valor_esperado = p * (sum(b1) + sum(b2) + sum(b3))
print("Valor Esperado:", valor_esperado)

# Modelo Hurwicz
alpha = 0.5 # Peso entre optimismo y pesimismo
hurwicz = max([(alpha * max(b1) + (1 - alpha) * sum(b1)/3),
(alpha * max(b2) + (1 - alpha) * sum(b2)/3),
(alpha * max(b3) + (1 - alpha) * sum(b3)/3), 0])
print("Hurwicz:", hurwicz)
6. Modelos de Decisiones: Hecho manualmente en Excel

7. Gráfico radar de la evaluación de Hurwicz:

8. Modelos de Decisión: Calculado en WinQSB

9. Fuente:

Chatgpt:

Muéstrame un código en Python que dibuje el árbol de decisiones para un escenario de riesgo
sobre invertir o no en la bolsa de valores b1, b2 o b3 con un potencial de rendimiento alto,
moderado y bajo que contenga valores numéricos. Los valores numéricos son de 10%, 8% y -5%
para b1; 15%, 12% y 0% para b2 y por último 12%, 10% y -3% para b3 o No invertir. Y las
probabilidades de riesgo son 0.2 para alto, 0.3 para moderado y 0.5 para bajo. Y resuelve los
modelos de decisión MÍNIMAX, MAXIMAX, LAPLACE, SAVAGE, VALOR ESPERADO Y
HURWICZ.