TECNOLÓGICO NACIONAL DE MÉXICOCAMPUS

TAPACHULA

INSTITUTO TECNOLÓGICO DE TAPACHULA

INGENIERÍA CIVIL

GRUPO: IC 3” A”

MATERIA: MODELOS DE OPTIMIZACIÓN DE

RECURSOS “VERANO”

ING. GARCIA RIVAS DANIEL

UNIDAD 5: “MODELOS PARA LA PLANEACIÓN,

PROGRAMACIÓN Y CONTROL DE PROYECTOS
DE CONSTRUCCIÓN”

AUTOR:
HERNANDEZ MORALES KARLA BELEN
21510089

Fecha: 21 de julio a 2023 Tapachula, Chiapas

Índice
Introducción ..................................................................................................................................... 3

¿Qué es un árbol de decisión? ........................................................................................................ 4

¿Para qué sirve los árboles decisión? ............................................................................................. 5

Toma de decisiones cotidiana ...................................................................................................... 5

Evaluar las oportunidades de crecimiento empresarial ................................................................ 6

Árboles de decisiones en el aprendizaje automático ................................................................... 6

Árboles de decisiones para la clasificación de datos ................................................................... 6

Árboles de decisiones para la clasificación de datos ................................................................... 7

Simbología de árboles de decisión .................................................................................................. 8

Ventajas y desventajas de los árboles de decisión ......................................................................... 9

Ventajas ....................................................................................................................................... 9

Desventajas ................................................................................................................................. 9

Ejemplo de un árbol de decisión.....................................................................................................10

Ejemplo práctico .........................................................................................................................10

Conclusión ......................................................................................................................................13

Bibliografía......................................................................................................................................14
Introducción
Un árbol de decisión es una forma gráfica y analítica de representar todos los eventos (sucesos)
que pueden surgir a partir de una decisión asumida en cierto momento.

Nos ayudan a tomar la decisión “más acertada”, desde un punto de vista probabilístico, ante un
abanico de posibles decisiones.

Permite desplegar visualmente un problema y organizar el trabajo de cálculos que deben realizarse.
¿Qué es un árbol de decisión?
Un árbol de decisión es un algoritmo de aprendizaje supervisado no paramétrico, que se utiliza
tanto para tareas de clasificación como de regresión. Tiene una estructura de árbol jerárquica, que
consta de un nodo raíz, ramas, nodos internos y nodos hoja.

Como puede ver en el diagrama anterior, un árbol de decisión comienza con un nodo raíz, que no
tiene ramas entrantes. Las ramas salientes del nodo raíz alimentan los nodos internos, también
conocidos como nodos de decisión. En función de las características disponibles, ambos tipos de
nodos realizan evaluaciones para formar subconjuntos homogéneos, que se indican mediante
nodos hoja o nodos terminales. Los nodos hoja representan todos los resultados posibles dentro
del conjunto de datos. Como ejemplo, imaginemos que está tratando de evaluar si debe o no ir a
surfear, puede usar las siguientes reglas de decisión para tomar una decisión:
Este tipo de estructura de diagrama de flujo también crea una representación fácil de digerir de la
toma de decisiones, lo que permite que diferentes grupos en una organización comprendan mejor
por qué se tomó una decisión.

El aprendizaje del árbol de decisiones emplea una estrategia de divide y vencerás mediante la
realización de una búsqueda codiciosa para identificar los puntos de división óptimos dentro de un
árbol. Este proceso de división se repite de forma recursiva de arriba hacia abajo hasta que todos
o la mayoría de los registros se hayan clasificado bajo etiquetas de clase específicas.

¿Para qué sirve los árboles decisión?

La belleza de los árboles de decisiones reside en su flexibilidad y robustez. Esto los convierte en
herramientas populares en muchos contextos profesionales y personales diferentes.

Toma de decisiones cotidiana

Cualquier persona puede utilizar un árbol de decisiones para tomar decisiones cotidianas. Son lo
suficientemente flexibles como para abarcar y mostrar decisiones complejas o sencillas.

Crear un árbol de decisiones es un valioso ejercicio que fomenta el pensamiento profundo y la

consideración de las consecuencias con pistas visuales. Los diagramas pueden ser útiles para
cualquiera que quiera reflexionar sobre los efectos de las opciones y oportunidades que surgen en
la vida cotidiana.
Evaluar las oportunidades de crecimiento empresarial
Los árboles de decisiones pueden beneficiar a las empresas que quieren ampliar su negocio y
determinar un plan estratégico a largo plazo. Necesitan predecir los resultados de sus decisiones
antes de invertir tiempo y dinero en un plan de acción. Parte de la gestiónde una empresa consiste
en asumir riesgos calculados, y este diagrama te permitirá asumirlos con prudencia y seguridad.

Ya se trate de comprar y vender acciones, contratar inversores o poner en marcha una nueva
campaña de marketing, los empresarios deben evaluar cuidadosamente los riesgos y las
oportunidades.

Árboles de decisiones en el aprendizaje automático

Se han hecho cada vez más populares en el aprendizaje automático porque proporcionanuna forma
de presentar algoritmos con declaraciones de control condicional. En el aprendizaje automático, el
análisis de decisiones se utiliza habitualmente en la minería de datos para alcanzar un objetivo
concreto.

Los árboles de decisiones también se utilizan en el aprendizaje automático supervisado. En esta

subcategoría del aprendizaje automático, la entrada se explica en detalle y la salidacorrespondiente
se utiliza como datos de entrenamiento. Los datos que pasan por este diagrama se dividen
continuamente en parámetros específicos.

Árboles de decisiones para la clasificación de datos

También se utilizan como modelos de clasificación y regresión en lenguajes de codificacióncomo
Python y Javascript. Ayudan a dividir un conjunto de datos en subconjuntos más pequeños, lo que
facilita la ordenación y clasificación de largas listas de datos en contenedores separados. En este
contexto, cada rama del árbol de decisión representa unresultado, y el camino de la hoja a la raíz
representa reglas de clasificación.

Los profesionales del sector informático los utilizan como clasificación para agilizar los procesos de
codificación y ahorrar tiempo
Los árboles de decisiones también se utilizan en el aprendizaje automático supervisado. En esta
subcategoría del aprendizaje automático, la entrada se explica en detalle y la salida
correspondiente se utiliza como datos de entrenamiento. Los datos que pasan por este
diagrama se dividen continuamente en parámetros específicos.

Árboles de decisiones para la clasificación de datos

También se utilizan como modelos de clasificación y regresión en lenguajes de codificacióncomo
Python y Javascript. Ayudan a dividir un conjunto de datos en subconjuntos más pequeños, lo
que facilita la ordenación y clasificación de largas listas de datos en contenedores separados.
En este contexto, cada rama del árbol de decisión representa unresultado, y el camino de la hoja
a la raíz representa reglas de clasificación.

Los profesionales del sector informático los utilizan como clasificación para agilizar los procesos
de codificación y ahorrar tiempo.
Simbología de árboles de decisión
Ventajas y desventajas de los árboles de decisión
Si bien los árboles de decisión se pueden usar en una variedad de casos de uso, otros
algoritmos generalmente superan a los algoritmos de árboles de decisión. Dicho esto, los
árboles de decisión son particularmente útiles para minería de datos y tareas de descubrimiento
de conocimiento. Exploremos los principales beneficios y desafíos de utilizar árboles de decisión
a continuación:

Ventajas
Fácil de interpretar: La lógica booleana y las representaciones visuales de los árboles de
decisión los hacen más fáciles de entender y consumir. La naturaleza jerárquica de un árbol
de decisión también facilita ver qué atributos son los más importantes, lo que no siempre es
claro con otros algoritmos, como las Redes neuronales.

Se requiere poca o ninguna preparación de datos: Los árboles de decisión tienen una
serie de características que los hacen más flexibles que otros clasificadores. Puede manejar
varios tipos de datos, es decir, valores discretos o continuos, y los valores continuos se
pueden convertir en valores categóricos mediante el uso de umbrales. Además, también
puede manejar valores con valores omitidos, lo que puede ser problemático para otros
clasificadores, como Naïve Bayes.

Mas flexible: Los árboles de decisión se pueden aprovechar para tareas de clasificación y
regresión, lo que los hace más flexibles que otros algoritmos. También es insensible a las
relaciones subyacentes entre los atributos; esto significa que si dos variables están altamente
correlacionadas, el algoritmo solo elegirá una de las características para realizar la división.

Desventajas
Propenso al sobreajuste: Los árboles de decisión complejos tienden a sobreajustarse y no
se generalizan bien a los nuevos datos. Este escenario se puede evitar mediante los procesos
de poda previa o poda posterior. La poda previa detiene el crecimiento del árbol cuando no
hay datos suficientes, mientras que la poda posterior elimina los subárboles con datos
inadecuados después de la construcción del árbol.

Estimadores de alta varianza: Pequeñas variaciones dentro de los datos pueden producir un
árbol de decisión muy diferente. El embolsado, o el promedio de estimaciones, puede ser un
método para reducir la varianza de los árboles de decisión. Sin embargo, este enfoque es
limitado ya que puede conducir a predictores altamente correlacionados.

Más costoso: Dado que los árboles de decisión adoptan un enfoque de búsqueda codicioso
durante la construcción, pueden ser más costosos de entrenar en comparación con otros
algoritmos.

Ejemplo de un árbol de decisión

Hoy trataré de desarrollar un ejemplo práctico que permita una fácil comprensión de esta
herramienta.

No olvidemos que esta herramienta está especialmente indicada para dar respuesta a las dudas
que surgen ante las decisiones estratégicas, las inversiones, el desarrollo de nuevas líneas de
productos, las decisiones sobre producto, sobre el modelo de negocio, la ubicación actual o
nuevos emplazamientos, los recursos humanos…

Empezaremos estableciendo qué decisión se ha de tomar y la representaremos gráficamente

por el nodo de decisión, acompañado de una palabra clave o frase corta que la defina. Hacia la
derecha se trazarán una o varias líneas (vectores de decisión) que parten de este nodo inicial y
finalizan en un nodo de probabilidad o en un nodo de decisión, y así sucesivamente hasta llegar
a la conclusión final que se representa con un nodo terminal.

Ejemplo práctico
A través de un representante comercial de su principal proveedor, el director de la empresa W
ha sabido que un competidor tiene previsto realizar una gran inversión, una planta productiva
altamente tecnificada, para implantarse en su zona (dado que sus estudios de mercado han
determinado que existe margen de crecimiento en este mercado). La inversión prevista cuenta
con el respaldo del mencionado proveedor, quien pretende así fortificar la plaza ante la
posibilidad de que penetre cualquiera de sus propios competidores (del proveedor).

Después de convocar una reunión con el equipo directivo para informar sobre la noticia, se
plantean tres posibles opciones:

• Fortalecer la relación con el proveedor

• Cambiar de proveedor
• Esperar acontecimientos

En todo momento se ha puesto sobre la mesa que las expectativas del mercado son muy
buenas para los próximos tres años y que la tasa de crecimiento prevista para este periodo es
de un 10 % de media anual. Con estos datos se había previsto una inversión en tecnología
punta que permitiría aumentar la productividad y reducir los costes y los tiempos de producción,
así como la apertura de un show room en la capital de la región para atender la demanda del
cliente directo.

La primera opción implicaría adelantar la planificación e inversión previstas y actualizar el plan

estratégico vigente, ofreciendo al proveedor un aumento de la compra mediante contrato, con
el objeto de garantizar el mejor precio del mercado y desarrollar un plan de marketing y
comunicación con acciones conjuntas que permitieran acelerar y fortificar el mercado. Esta
opción supondría una inversión superior al 1.000.000 € (con fondos propios) y la mejora del
posicionamiento y la reputación de la marca en el mercado, afianzando asimismo la relación
con el proveedor, lo que dejaría al nuevo actor en una circunstancia complicada como punto de
partida.

La segunda opción implicaría buscar un nuevo proveedor (entre los competidores del actual)
y abandonar al actual lo antes posible, presentando una promoción drástica de precios a la baja,
que dinamitaría el producto y el valor de la marca. Se valora también la posibilidad de hacer
coincidir el cambio de proveedor con una potente campaña de comunicación y marketing con
el fin de diluir el impacto del nuevo competidor. Esta opción precisaría una inversión de 600.000
€, pero implicaría renunciar en el periodo descrito a la inversión y la tecnología que permitiera
a la empresa seguir liderando el mercado y mejorar su capacidad y los tiempos de producción.
Por otra parte, el valor del stock aumentaría pero no así el valor de la empresa.
Finalmente, la tercera opción sería esperar antes de tomar alguna decisión, parando la
inversión prevista y frenando el plan estratégico, en espera de novedades.
Conclusión
El árbol de decisiones nos ayuda a tomar la decisión más “acertada”, desde un punto de vista
probabilístico, ante un abanico de posibles decisiones. Los resultados visuales ayudan a buscar
diferentes caminos que puedes tomar, tal vez te encuentres frente a uno que ni siquiera habías
considerado, o descubras que puedes combinar variables para tener mejores resultados.

Obtendrás mejores resultados si la usas con todo tu equipo y tienes en cuenta todas sus
sugerencias. Ahora sí, ya sabes, si tienes que tomar una decisión y el camino frente a ti es
incierto, la mejor decisión que puedes tomar es usar esta herramienta.
Bibliografía
MOMOMO. (04 de Marzo de 2022). momomarreo. Obtenido de momomarreo:
https://momomarrero.com/2022/02/10/el-arbol-de-decision-ejemplo-practico-i/

Lucidchart. (s.f.). www.lucidchart.com. Recuperado el 18 de Julio de 2023, de

www.lucidchart.com: https://www.lucidchart.com/pages/es/que-es-un-diagrama-de- arbol-de-
decision