Universidad Nacional de Colombia

Sede Medellín

Módulo 4

Árboles de Decisión

Profesora: Patricia Jaramillo A.

 ÁRBOLES DE DECISIÓN
 Son grafos que representan un proceso de
decisión en forma extensiva.

 Pueden ser aplicados a problemas generales

de decisión y a juegos de estrategia, con uno
o más decisores.

 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.
 ÁRBOLES DE DECISIÓN: Ejemplo
Una compañía debe decidir si gastar 2 millones de dólares
para continuar con un proyecto de investigación sobre la
viabilidad de un producto.

No es seguro el éxito del proyecto y según estimativos

iniciales, solo hay un 70% de probabilidad de que se
obtenga una patente.

Si se obtiene la patente, la compañía podrá invertir 10

millones adicionales para hacer la producción y mercadeo
del producto directamente, o puede ceder la licencia por 25
millones. Si eligiera la primera de esas alternativas, existe
una incertidumbre acerca de la demanda que se tendrá del
producto.
 ÁRBOLES DE DECISIÓN: Ejemplo
Las estimaciones sobre la demanda potencial indican que
hay un 25% de probabilidad de tener una alta demanda. En
ese caso, las ventas serán de $55 millones.
En caso de que se presente una demanda media, con una
probabilidad de 0,55, las ventas serán de $33 millones
aproximadamente.
Se estima también una probabilidad baja de ventas, de tan
solo el 20%, en cuyo caso se obtendrían unas ventas de $9
millones.
 Alternativas:

Primera etapa:

• A1: Continuar con la investigación

• A2: Parar la investigación

Segunda etapa:

Si en la primera etapa se elige A1, hay que

enfrentarse a otra decisión:

• A3 Producir y vender el producto

• A4 ceder licencia
 VPN en
$millones
No se consigue la patente P=0.30 -$2
Alta demanda
P=0.25 $43
$55

A1: continuar A3: producir y

investigación Patente vender el Demanda media $21
producto P=0.55
-$2 P=0.70 $33
-$10

Baja demanda
-$3
P=0.20
$9
A4: ceder licencia

A2: Parar
$25
investigación
$23

$0
 VPN en $millones
No se consigue la patente P=0.30 -$2
Alta demanda
$15.5 P=0.25 $43
$21.7
A1: continuar A3: producir y
investigación Patente vender el Demanda media $21
producto P=0.55
P=0.70

Baja demanda
-$3
P=0.20
A4: ceder licencia
A2: Parar
investigación
$23

$0
En conclusión: Se debe continuar con la Investigación ya que su
valor esperado es mayor que pararla.
En caso de que se obtenga la patente la mejor decisión es ceder
la licencia.
 ÁRBOLES DE DECISIÓN

Nodos •: son nodos de decisión, representan los momentos

de decisión. De él parten tantas ramas como acciones
posibles que son llamadas acciones del decisor

 Nodos O: son nodos de chance o aleatorios, se

desprenden ramas que representan posibles estados de la
naturaleza. Movimientos de azar.

 Es posible que el árbol de decisión pueda incluir varios

nodos de decisión y varios nodos de chance.
 ÁRBOLES DE DECISIÓN
 Es posible que de un nodo de chance se derive otro nodo de
chance.

Los costos o beneficios asociados a cada rama terminal del

árbol son evidentes de los datos del problema.
 ÁRBOLES DE DECISIÓN
Etapas de construcción:

1. El árbol se escribe en forma cronológica

describiendo decisiones y procesos en el orden que
tienen lugar.
2. Se asignan probabilidades a las ramas que parten
de un nudo aleatorio.

3. Se asignan utilidades a las ramas finales del árbol.

4. Se procede desde las ramas finales hacia la base

tomando valores esperados en los nudos aleatorios
y maximizando en los nudos de decisión
determinándose así las mejores condiciones.
 Ventajas
Son un método muy efectivo porque:

• Dan claridad al problema y las opciones pueden ser

cambiadas

•Permiten analizar completamente todas las posibles

consecuencias de las decisiones

•Permiten un marco de trabajo para cuantificar los

valores de los resultados y las probabilidades de
alcanzarlos

•Ayudan a hacer las mejores decisiones sobre la base

de información existente y mejores beneficios

•Pueden ser usados en conjunto con el sentido común.

Análisis de sensibilidad sobre las probabilidades

 Los errores en la estimación de

probabilidades son inevitables.

Es bueno hacer un análisis de sensibilidad

de la alternativa óptima a los valores de
las probabilidades utilizadas.
Ejemplo:

Se ha diseñado un nuevo sistema de tratamiento de agua y se

desea instalarlo en una localidad. Debido a lo novedoso del
método no hay un conocimiento adecuado de su eficacia. Hay
la opción de diseñar una planta pequeña A1 o una mayor A2.
La eficiencia puede ser alta (H) o baja (h). La planta A1 es la
adecuada si se tiene H y A2 será la adecuada si se tiene h. Se
estima una probabilidad de 0.70 de tener H.
Se puede construir el árbol de decisiones y se tiene que los
costos son:
E[A1] = 30 E[A2] = 41
Mejor alternativa A1
 H
0
P(H) = 0.70
A1
h 100
E(A1) = 30 P(h) = 0.30

E(A2) = 41 H
50
A2 P(H) = 0.70

h 20
P(h) = 0.30
 H
0
P(H) = p
A1
h 100
P(h) = 1-p

H
50
A2 P(H) = p

h 20
P(h) = 1-p

p =probabilidad (a priori) de H
1-p= probabilidad (a priori) de h
los costos esperados de las alternativas serán:
E[A1] = 0p + (1- p)100= 100 (1-p)
E[A2] = 50p + 20(1- p) = 20 + 30 p
 p =probabilidad (a priori) de H
1-p= probabilidad (a priori) de h
los costos esperados de las alternativas serán:
E[A1] = 0p + (1- p)100= 100 (1-p)
No es muy
E[A2] = 50p + 20(1- p) = 20 + 30 p
sensible

100
E[A1]

50 E[A2]
b
P ≤ 0.62  mejor alternativa es A2
P > 0.62  mejor alternativa es A1
0
0 0.5 p 1.0
 Otros criterios útiles para los
árboles de Decisión
¿Por qué usar sólo el criterio de valor esperado?

Se podría usar los criterios:

 Distancia al peor valor

 Arrepentimiento

 Maximin

 Maximax

 Etc.
Ejercicio: usar otros criterios diferentes al valor esperado
VPN en
$millones
No se consigue la patente P=0.30 -$2
Alta demanda
P=0.25 $43

A1: continuar A3: producir y

investigación Patente vender el Demanda media $21
producto P=0.55
P=0.70

Baja demanda
-$3
P=0.20
A4: ceder licencia
A2: Parar
investigación
$23

$0