Vista previa del material en texto
Árboles de Decisión � Definición Los árboles son una técnica que se utiliza para la toma de decisiones secuenciales basada en el uso de resultados y probabilidades asociadas. FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 1 Árboles de Decisión � Pasos 1. Describir y comprender el problema 2. Identificar ◦ Todas las opciones posibles. ◦ Todos los posibles resultados derivados de cada opción. 3. Plasmarlos en una estructura (árbol) ◦ Nodos de decisión. De ellos salen las ramas de decisión y se representan con un ◦ Nodos de Acontecimiento. De ellos salen las ramas de los eventos y se representan con un ◦ Ramas. Se representan con líneas, vinculan los nodos. ◦ Desenlaces o resultados. 4. Adjudicar a los resultados, siempre que se conozcan, su probabilidad de ocurrencia. FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 2 Árboles de Decisión � Cómo se grafican? � Un árbol de decisión parte de un nodo de decisión en un momento t=0. � Se grafican de izquierda a derecha describiendo básicamente dos elementos (nodos de decisión y acontecimiento). � Se resuelven de derecha a izquierda. � De un nodo pueden salir una o varias ramas. � Un nodo puede recibir una sola rama. � Los árboles jamás cortan sus ramas. � Las fases son de decisión o acontecimiento, no de ambos al mismo tiempo. FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 3 Árboles de Decisión � Fases FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 4 Fase de Decisión Fase de Acontecimiento Árboles de Decisión FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 5 Apruebo Aprobado Me Presento Aprobado Me Presento No Apruebo Insuficiente Apruebo No me Presento Insuficiente Aprobado Me Presento No Me Presento Insuficiente Me Presento No me Presento Insuficiente Aprobado Me Presento Insuficiente Apruebo Me Presento No me Presento Insuficiente No Apruebo No Apruebo Insuficiente No me Presento Insuficiente Aprobado Me Presento Insuficiente Apruebo Me Presento No me Presento Insuficiente No me Presento No Apruebo Insuficiente No me Presento Ausente Primer Parcial Segundo Parcial Recuperatorio Curso Regular Teoría de la Decisión Criterios para Resolver Matrices � Son reglas diferentes de la de valor esperado (forma adecuada desde el modelo prescriptivo). � Hay veces que no se puede calcular el valor esperado, esto es porque el decisor no conoce las probabilidades de ocurrencia de las variables no controlables que afectan a las alternativas. � Dada la siguiente matriz de beneficios: FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 6 n1 n2 n3 n4 S1 150 130 60 90 S2 170 50 130 110 S3 120 130 60 30 S4 180 30 130 70 S5 130 130 80 80 Dominada x S1 Criterios para Resolver Matrices � Optimista (Maximax) o Supone que el azar lo favorece, siempre toma el mejor resultado de cada alternativa. o Elijo aquella alternativa que arroja el mejor resultado posible. FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 7 n1 n2 n3 n4 S1 150 130 60 90 S2 170 50 130 110 S4 180 30 130 70 S5 130 130 80 80 Optimista 150 170 180 130 Criterios para Resolver Matrices � Pesimista (Wald) o Supone que el azar no lo favorece y por lo tanto teme que le ocurra lo peor. o Se toma el peor resultado de cada alternativa y luego se elige el mejor resultado. FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 8 n1 n2 n3 n4 S1 150 130 60 90 S2 170 50 130 110 S4 180 30 130 70 S5 130 130 80 80 Wald 60 50 30 80 Criterios para Resolver Matrices � Equiprobabilidad (Laplace) � Le asigna igual probabilidad a todos los estados o comportamientos que puede asumir la variable no controlable. � Se elige la alternativa cuyo valor esperado es mejor, suponiendo equiprobabilidad. FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 9 n1 n2 n3 n4 S1 150 130 60 90 S2 170 50 130 110 S4 180 30 130 70 S5 130 130 80 80 Laplace 107,5 115,0 102,5 105,0 0,25 0,25 0,25 0,25 Criterios para Resolver Matrices � Optimista Relativo (Hurwicz) o No existe un decisor 100% optimista, ni 100% pesimista. o Se halla un promedio, ponderando al mejor resultado de cada alternativa por un coeficiente de optimismo α y al peor resultado por (1 – α). El resto de los resultados no son tenidos en cuenta. α toma valores entre 0 y 1. o Se elige la alternativa que obtiene el mejor valor. o En este ejemplo suponemos α = 0,7. FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 10 n1 n2 n3 n4 S1 150 130 60 90 S2 170 50 130 110 S4 180 30 130 70 S5 130 130 80 80 Hurwicz 123 134 135 115 α = 0,70 0,30 150 60 170 50 180 30 130 80 Criterios para Resolver Matrices � Costo de Oportunidad (Savage) o Se arma una nueva matriz, que se llama matriz de lamentos o de aflicción. La misma siempre es de pérdidas, ya sea que los resultados originales sean de pérdidas o de ganancias. o Se la elabora trabajando por columna, hallando el resultado óptimo para cada estado natural y estableciendo la diferencia con cada alternativa. o Luego, se elige el peor lamento para cada alternativa. o Por último, se elige aquella alternativa asociada al menor lamento, por no haber conocido el estado natural que se iba a verificar y por lo tanto no haber podido obtener el resultado óptimo. FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 11 Criterios para Resolver Matrices � Costo de Oportunidad (Savage) Matriz de Costos FCE - UBA, Teoría de la Decisión, Cátedra Prof. Avenburg 12 n1 n2 n3 n4 S1 150 130 60 90 S2 170 50 130 110 S4 180 30 130 70 S5 130 130 80 80 n1 n2 n3 n4 Alt. Optima 180 130 130 110 n1 n2 n3 n4 S1 30 0 70 20 S2 10 80 0 0 S4 0 100 0 40 S5 50 0 50 30 Wald 70 80 100 50