INVESTIGACIÓN

OPERATIVA
UNIDAD 1:
Teoría de Decisiones

SEMANA 2 – SESIÓN 1:

• Arboles de decisión.

Profesora:
Mg. Silvia Luz Farje Ponce
RECORDEMOS LOS PUNTOS TRATADOS EN LA
CLASE ANTERIOR
CURSO:
INVESTIGACIÓN OPERATIVA

SABERES
PREVIOS
 LOGROS DE APRENDIZAJE

Logro general de aprendizaje de la Asignatura

Logro de aprendizaje de la Unidad 1
Al finalizar la asignatura,
los alumnos aplican Logro de la Semana 2
herramientas de Al finalizar la unidad los
investigación operativa en alumnos aplican criterios y
las áreas administrativa, árboles de decisión en Al finalizar la semana los
comercial, logística, ambientes de alumnos construyen un
proyectos y producción incertidumbre y de riesgo árbol de decisiones y
desde un enfoque en la toma de decisiones seleccionan la mejor
cuantitativo que les gerenciales. alternativa de decisión en
permita tomar decisiones ambientes de bajo riesgo.
gerenciales.
IMPORTANCIA

Esta unidad es importante porque permite que el

alumno identifique la mejor alternativa de
decisión, en los diversos escenarios en que se
puedan presentar diversas problemáticas en un
entorno cada vez más competitivo.
 ¿Qué es un árbol de decisiones?

Un árbol de decisiones (también llamados

Logro de aprendizaje de la Unidad 1 árbol
de toma de decisiones, árbolLogro de dedecisión
la Semana 1 o
árboles de decisiones) es un esquema que
representa las alternativas disponibles para
quien va a tomar la decisión, además de las
circunstancias y consecuencias de cada elección.
Su nombre proviene del aspecto similar a un
árbol y sus ramificaciones que tiene este
diagrama.
 ¿Qué es un árbol de decisiones?

Un árbol de decisión es una forma gráfica y analítica de

representar todos los eventos (sucesos) que pueden surgir a
Logro de aprendizaje de la Unidad 1
partir de una decisión asumida en cierto momento.
Logro de la Semana 1
Nos ayudan a tomar la decisión “más acertada”, desde un
punto de vista probabilístico, ante un abanico de posibles
decisiones o alternativas.

Facilita considerar de manera integrada la secuencia de las

decisiones, los posibles resultados asociados con cada
alternativa, las asignaciones de probabilidad, los efectos
monetarios y las utilidades.
 Utilidad del árbol de decisiones

Logro de aprendizaje de la Unidad 1

Logro de la Semana 1

Los árboles de decisión son útiles para estructurar

las variaciones de las alternativas. Presentan un
diagrama de los distintos cursos de acción y los
posibles estados de la naturaleza.
¿En qué tipo de decisiones se utiliza?

Este método se utiliza

Logroen una ampliadegama
de aprendizaje de decisiones
la Unidad 1
empresariales como: Logro de la Semana 1
 Planificación de productos.
 Análisis de procesos.
 Capacidad de planta.
 Alternativas de localización, entre otros.
Ventajas de los Arboles de Decisiones

Mostrar gráficamente toda la información

de un problema.
Logro de aprendizaje de la Unidad 1
Logro de la Semana 1
Dibujar la representación esquemática del
problema logrando así que la información
se entienda mas fácilmente.

Simplificar los cálculos de probabilidades

muy complejas.
Ventajas de los Arboles de Decisiones

Es una magnifica herramienta para el

control, gestión y toma de decisiones.
Logro de aprendizaje de la Unidad 1
Logro de la Semana 1
Proporciona un alto grado de
comprensión.

Explica el comportamiento respecto a una

determinada tarea de decisión.
 Terminología

• Nodo Cuadrado de decisión

Simbolizan puntos de decisión, donde el tomador de
decisiones debeLogro de aprendizaje de la Unidad 1
elegir entre varias acciones posibles.
Logro de la Semana 1
• Nodo Circular de acontecimiento o eventos
Indica que en ese punto del proceso ocurre un evento
aleatorio “Estado de la Naturaleza”.

• Rama
Nos muestra los distintos caminos que se pueden
emprender cuando tomamos una decisión o bien
ocurre algún evento aleatorio.
MOMENTOS DE DECISIÓN

A1

A2

A3

Las ramas que nacen de un nodo de decisión

representan a las alternativas.

13
EVENTOS ALEATORIOS

S1

S2

S3

Las ramas que nacen de un nodo de

acontecimiento representan a los distintos
estados de una Variable No Controlable

14
 CONSTRUCCIÓN DEL ÁRBOL
 Se desarrolla de izquierda a derecha indicando en forma
secuencial todos los momentos de decisión y los momentos
de acontecimiento de un evento aleatorio.
 Luego se colocan al final de las ramas los resultados
acumulados después de sortear todas las vicisitudes desde
el inicio del proceso.
 Se evalúa de atrás hacia delante reconociendo la influencia
de las decisiones y eventos aleatorios últimos sobre los
primeros.
 En los nodos de decisión se elige la mejor alternativa.
 En los eventos aleatorios se indica el criterio usado para
evaluar los resultados posteriores (valor monetario
esperado).
15
Árboles de decisión- representación en forma extensa
o secuencial

16
 Ejemplo 01:
Caso de Certidumbre
• Liz & Co, estudia la posibilidad de introducir un
nuevo producto ahora o dentro de un año. Los
beneficios de cada caso son:

Alternativa 1er año 2do año

A1: Introducir producto ahora $600,000 800,000

A2: Introducir Producto Próximo año 0 650,000
A3: No introducir producto 0 0
Ejemplo 01:
Caso de Certidumbre - Gráfico
 Ejemplo 02:
Caso de Riesgo
• Se dispone de $2,000 para invertir. Hay tres posibles
resultados que tienen un riesgo determinado y
posibles ganancias o perdidas según la siguiente tabla
Se requiere maximizar el valor monetario esperado.
Posibilidades Beneficio/Perdida Probabilidad
A1: $ 1,200 0.3
A2: $ 700 0.5
A3: ($ 500) 0.2
Ejemplo 02:
Caso de Riesgo - Gráfico
 Ejemplo 02:
Caso de Riesgo - Gráfico - calculo

• VME = (0.3*1200)+(0.5*700)+(0.2*-500)
• VME = 360 + 350 -100
• VME = 610
• De manera que se logra el valor monetario
esperado de $ 610. La alternativa en este caso
es invertir, como resultado de este árbol de
decisiones.
 Ejemplo 03:

• Suponga que usted compra en S/. 1000.00

un número de una rifa, la cual paga un
premio de S/. 50,000.00
• Hay dos eventos posibles:
o Usted gana la rifa, o
o Pierde
• ¿Cuál es el valor esperado del juego?
 Ejemplo 03:

• La distribución de probabilidades es:

Evento X P(X)
Gana S/. 49,000 1/100
Pierde - 1000 99/100

• El valor esperado es:

49000*(1/100) + -1000*(99/100) = -500
• ¿Qué significa ese resultado?
Ejemplo 03: Árbol de Decisión
 Ejemplo 03: Análisis

• En el nodo de evento se calculó el

valor esperado de jugar la rifa
• Luego se selecciona, en este
caso el valor más alto (por ser
ganancias)
• En este caso la decisión es no
jugar la rifa.
 Ejemplo 04:

• Existe una empresa que está por construir una planta

de producción para los próximos 10 años.
• La opción es construir una planta grande para enfrentar
una demanda sostenidamente alta o una planta pequeña
y a los dos años ampliarla si la demanda fuese alta.
• Si al inicio la demanda es baja seguirá así en el futuro.
Pero puede ser alta en los primeros dos años y luego
reducirse por efecto de la competencia.
• La planta grande demanda más inversión inicial y
posee más costos de mantenimiento que la pequeña.
 Ejemplo 04:

• Si la planta es grande y las ventas son sostenidamente

altas se tiene un beneficio de 70 millones de soles con
una probabilidad de 0.6, si las ventas inician altas y
luego bajas el beneficio es de 10 millones de soles con
una probabilidad de 0.20 y si las ventas son bajas hay
una perdida de 30 millones de soles con una
probabilidad de 0.20.
 Ejemplo 04:
• Si la planta es pequeña se dará dos escenarios : venta
inicial alta y venta inicial baja.
• Si la venta inicial es alta se tiene que decidir si se amplia
o no, al ampliar y teniendo en cuenta si las ventas son
altas tendrá una ganancia de 60 millones de soles con
una probabilidad de 0.75 y si son bajas tendrá una
perdida de 20 millones de soles con una probabilidad de
0.25. Si no se amplia y las ventas son altas tendrá una
ganancia de 40 millones de soles con una probabilidad
de 0.75 y si son bajas tendrá una ganancia de 20
millones de soles con una probabilidad de 0.25.
• Si la venta inicial es baja tendrá una ganancia de 10
millones de soles con una probabilidad de 0.10 .
 Ejemplo 04: Árbol de decisiones
• Se construye el árbol de decisiones
Ventas sostenidamente altas
R1
Ventas iniciales altas y luego bajas
R2
Planta Ventas sostenidamente bajas
grande R3

Ventas altas
R4
Ampliar
Ventas bajas R5
Venta inicial
Planta alta
pequeña No Ventas altas
R6
ampliar

Ventas bajas R7
Venta
inicial baja
R8
 Ejemplo 04: Árbol de decisiones
• Se coloca las probabilidades, las ganancias y perdidas
respectivas.
0,60 - Ventas sostenidamente altas
70
0,20 - Ventas iniciales altas y luego bajas
10
0,20 - Ventas sostenidamente bajas
Planta - 30
grande
0,75 - altas
60
Ampliar
Planta 0,25 - bajas - 20
0,80 - Venta
pequeña
inicial alta
No 0,75 - altas
40
ampliar
0,25 - bajas 20
0,20 - Venta
inicial baja
10
 Ejemplo 04: Árbol de decisiones

Resolución del árbol

• Se comienzan a resolver los nodos más cercanos
a los resultados finales.
• En el caso de eventos aleatorios al conocerse
la probabilidad se aplica el criterio del valor
esperado.
• En el caso de los nodos de decisión se elige el
mejor resultado (o mejor valor esperado).
• Se llega al principio donde queda en claro cuál es
la mejor alternativa inicial, la que debe elegirse.
 Ejemplo 04: Árbol de decisiones
• Resultado final
0,60 - Ventas sostenidamente altas
70
0,20 - Ventas iniciales altas y luego bajas
38 10
Planta
0,20 - Ventas sostenidamente bajas
grande - 30

0,75 - altas
38 60
Ampliar 40
0,80 - Venta 0,25 - bajas - 20
Planta 40
inicial alta
pequeña No 0,75 - altas
ampliar
40
34 35
0,25 - bajas 20
0,20 - Venta
inicial baja
10
 Ejemplo 04: Árbol de decisiones
• Resultado final

Valor Monetario Esperado

Planta Grande = (0.6*70)+(0.2*10)+(0.2*-30) = 38
Ampliar = (0.75*60)+(0.25*-20) = 40
No Ampliar = (0.75*40)+(0.25*20) = 35
Planta Pequeña = (0.80*40)+(0.2*10) = 34

Se toma la decisión de construir la planta

grande.
 CONCLUSIONES

Finalidad de los arboles de

decisión.
Desarrollar el árbol de
decisión, para casos de riesgo.
LOGRADO

 ¿Se logró la meta

de la sesión?