arbol de decision
TRANSCRIPT
![Page 1: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/1.jpg)
UNIDAD IIIUNIDAD III
Arboles de DecisiónArboles de Decisión
![Page 2: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/2.jpg)
Resolución de problemasResolución de problemas 1. Identificar y definir el 1. Identificar y definir el problemaproblema 2. Determinar el 2. Determinar el conjunto de alternativasconjunto de alternativas
de soluciónde solución 3. Determinar el 3. Determinar el criteriocriterio o criterios que se o criterios que se
usará/n para evaluar las alternativasusará/n para evaluar las alternativas 4. Evaluar las alternativas :4. Evaluar las alternativas :
análisisanálisis cualitativo cualitativo análisisanálisis cuantitativo cuantitativo
5. Elegir una alternativa5. Elegir una alternativa 6. Ponerla en práctica6. Ponerla en práctica 7. Evaluar los resultados7. Evaluar los resultados
![Page 3: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/3.jpg)
Tipos de modelosTipos de modelos
Certeza Incertidumbre
Problemassimples
Casos Arboles dedecisión
Problemascomplejos
Programaciónlineal, mixta
SimulaciónMonteCarlo
Problemasdinámicos
PERT,inventario
Simulación,colas, invent.
![Page 4: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/4.jpg)
Análisis de decisiónAnálisis de decisión
El análisis de decisión es una El análisis de decisión es una herramienta utilizada para herramienta utilizada para seleccionar una estrategia cuando seleccionar una estrategia cuando un tomador de decisiones tiene un tomador de decisiones tiene varias alternativas u opciones a varias alternativas u opciones a seguir y una serie incierta de seguir y una serie incierta de eventos futuros (que llamaremos eventos futuros (que llamaremos “estados de la naturaleza”).“estados de la naturaleza”).
![Page 5: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/5.jpg)
Análisis de decisiónAnálisis de decisión
Por ejemplo, cuando se desea desarrollar una actividad
recreativa se tiene la opción de hacerla al aire libre o en un
espacio cerrado (esto es una decisión), sin embargo; el
factor clima no puede ser controlado y la única certeza que tenemos nos la puede dar un pronóstico del tiempo, el cual puede ser o no ser preciso (el clima es un estado de la naturaleza)
![Page 6: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/6.jpg)
Análisis de decisiónAnálisis de decisión
ActividActividadad
Al aire libreAl aire libre
EspaciEspacioocerradcerradoo
NubladoNublado
SoleadoSoleado
LlueveLlueve
NubladoNublado
SoleadoSoleado
LlueveLlueve
![Page 7: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/7.jpg)
Análisis de decisiónAnálisis de decisión
Otro ejemplo es la apertura de un negocio. En este caso
se tiene una serie de opciones en cuanto a tamaño,inversión inicial o mezcla de productos a manejar,
entreotras. Estas pueden ser tomadas por la gente
encargadadel negocio.En cambio, el comportamiento del mercado ante la
ofertadel negocio es un fenómeno aleatorio.
![Page 8: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/8.jpg)
Análisis de decisiónAnálisis de decisión
NegocioNegocio
Venta Venta dedeSoftwaSoftwarere
AsesoríaAsesoríaInformátiInformáticaca
Demanda altaDemanda alta
Demanda bajaDemanda baja
Demanda bajaDemanda baja
Demanda altaDemanda alta
![Page 9: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/9.jpg)
Árboles de decisión
Un árbol de decisión muestra la manera en que se
pueden desglosar los problemas y la secuencia en los procesos de decisión. Está basado en el teorema de Bayes.
![Page 10: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/10.jpg)
Cuatro tipos de Cuatro tipos de probabilidadprobabilidad
Marginal
La probabilidad de que ocurra
X
Unión
La probabilidad de que ocurra
X o Y
Conjunta
La probabilidad de que ocurra
X e Y
Condicional
La probabilidad de que ocurra
X sabiendo que ha ocurrido Y
YX YXY
X
P X( ) P X Y( ) P X Y( ) P X Y( | )
![Page 11: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/11.jpg)
Probabilidad condicional
A la probabilidad de que un evento B ocurra cuando se sabe que otro evento A se ha presentado se le llama probabilidad condicional de B dado A y se denota por
P(B/A) = P(AP(B/A) = P(A∩B)B)
P(A)P(A)Si P ( A) está definida.• Esto se lee “Probabilidad de B dado A”.
![Page 12: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/12.jpg)
Probabilidad condicional
Lo que sucede en este caso es que el espacio muestral del evento A se convierte en el nuevo espacio muestral S o universo.
Espacio muestral A
(A(A∩B)B)
![Page 13: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/13.jpg)
Ejemplo
Para el siguiente diagrama de Venn se tiene que:
![Page 14: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/14.jpg)
Ejemplo
En cierta ciudad, 75% de la gente consume el refresco A,55% el refresco B y 40% consume ambos.
a) ¿Cuál es la probabilidad de que una personaseleccionada al azar consuma el refresco B, dado queconsume el A?
b) ¿Cuál es la probabilidad de que una personaseleccionada al azar consuma el refresco B, dado queno consume el A?
![Page 15: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/15.jpg)
Ejemplo
a) ¿Cuál es la probabilidad de que una personaseleccionada al azar consuma el refresco B, dado queconsume el A?
![Page 16: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/16.jpg)
Ejemplo: b) ¿Cuál es la probabilidad de que una personaseleccionada al azar consuma el refresco B, dado que no consume el A?
![Page 17: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/17.jpg)
Ejemplo
En una escuela 50% de los alumnos lleva la clase deteatro, 60% la clase de música y 30% llevan amboscursos.
a) Dado que un alumno lleva el curso de música, ¿cuál esla probabilidad de que curse teatro?
b) Dado que un alumno no cursa música, ¿cuál es laprobabilidad de que lleve teatro?
![Page 18: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/18.jpg)
Ejemplo
a) Dado que un alumno lleva el curso de
música, ¿cuál es la probabilidad de que curse teatro?
![Page 19: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/19.jpg)
Ejemplob) Dado que un alumno no cursa música, ¿cuál es laprobabilidad de que lleve teatro?
![Page 20: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/20.jpg)
Árbol de Bayes
![Page 21: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/21.jpg)
Teorema de Bayes
• Sea A1, A2, ..., An una serie de eventos, tales que la probabilidad de cada uno de ellos es distinta de cero, y B otro evento del que se conocen las probabilidades condicionales P( B/ Ai). Entonces la probabilidad P( Ai/B) viene dada por:
![Page 22: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/22.jpg)
Ejemplo
Tres sucursales, 1, 2 y 3 generan el 45%, 30% y 25%,respectivamente, del total de las ventas en un negocio.Los porcentajes de ventas con reclamo por mal servicio de estas sucursales son de 3%, 4% y 5%.
a) Si se selecciona una venta al azar, calcula laprobabilidad de que tenga reclamación por mal servicio.b) Si se toma al azar una venta y resulta con reclamación;calcula la probabilidad de que haya sido generada porla sucursal 2.
![Page 23: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/23.jpg)
Ejemplo
c) Si se selecciona una venta al azar, calcula laprobabilidad de que no tenga reclamo.
d) Si se toma al azar una venta y no tiene reclamación, calcula la probabilidad de que haya sido hecha por la sucursal 2.
![Page 24: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/24.jpg)
Ejemplo
• Para resolver este problema se construye un árbol deBayes usando las probabilidades dadas como información.
• Pasos para construir un árbol:
– Se identifican en él los eventos correspondientes aCada sucursal 1, 2 y 3 y constituyen la primera serie deramas de un árbol.
![Page 25: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/25.jpg)
Árbol de Bayes - Primer paso:Árbol de Bayes - Primer paso: Tres sucursales, 1, 2 y 3 generan el 45%, 30% y 25%, respectivamente, del total de las ventas en un negocio.
![Page 26: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/26.jpg)
Árbol de Bayes - Segundo pasoSe identifican los eventos correspondientes Se identifican los eventos correspondientes al porcentajeal porcentajede reclamaciones de cada sucursal (1, 2 y 3) de reclamaciones de cada sucursal (1, 2 y 3) y constituyeny constituyenla segunda serie de ramas del árbol.la segunda serie de ramas del árbol.Los porcentajes de ventas con reclamo por mal servicio de estas sucursales son de 3%, 4% y 5%.
![Page 27: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/27.jpg)
Ejemplo teorema de Bayes
Ya con el árbol generado se pueden contestar las preguntas:a) Si se selecciona una venta al azar, calcula laprobabilidad de que tenga reclamación por mal servicio ( D).
![Page 28: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/28.jpg)
Ejemplo
b) Si se toma al azar una venta y resulta con reclamación; calcula la probabilidad de que haya sido generada por la sucursal 2.
Revisando de nuevo el árbol de Bayes, vamos a recorrer el camino de la segunda hacia la primera rama, rastreando las reclamaciones hasta la rama de la sucursal 2:
![Page 29: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/29.jpg)
Ejemplo
![Page 30: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/30.jpg)
Ejemplo
c) Si se selecciona una venta al azar, calcular la
probabilidad de que no tenga reclamación.
![Page 31: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/31.jpg)
Ejemplod) Si se toma al azar una venta y no tiene reclamación,calcula la probabilidad de que haya sido hecha por lasucursal 2.
![Page 32: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/32.jpg)
Árboles de decisión
Los árboles están compuestos de nodos y ramas:
Un nodo es un punto de unión. Hay dos tipos de
nodos: de decisión y de probabilidad.Una rama es un conector entre dos
nodos.
![Page 33: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/33.jpg)
Un nodo de decisión representa un punto en el que se debe tomar una decisión. De estos nodos salen ramas que son las posibles decisiones a tomar y se representan con un cuadrado.
Un nodo de probabilidad (estado de la naturaleza) representa el momento en que se produce un evento aleatorio. De estos nodos salen ramas que representan posibles resultados para eventos inciertos en los que no se tiene control sobre su resultado. Se representan con un círculo.
Árboles de decisión
![Page 34: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/34.jpg)
Árboles de decisión
Nodo de DecisiónNodo de Decisión
Rama
Rama
Nodo de probabilidadNodo de probabilidad
![Page 35: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/35.jpg)
En un árbol de decisión la secuencia de eventos se desarrolla
de izquierda a derecha.
Las probabilidades se indican en las ramas de estado de la
naturaleza. Son probabilidades condicionales de eventos que
ya sucedieron.
Los valores en dinero en los extremos de las ramas dependen
de decisiones tomadas y estados de la naturaleza previamente ocurridos.
La decisión que resulta de un análisis de árbol no es unadefinitiva sino condicionada a la ocurrencia de eventos
quesucedan en la próxima decisión.
Árboles de decisión
![Page 36: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/36.jpg)
Trabajando de atrás hacia adelante en el árbol, secalcula un valor esperado para cada nodo de estado
dela naturaleza.
Dado que es posible controlar las ramas que salen decada nodo de decisión, se elige la rama que resulte
en elmayor valor esperado.
Se van tachando todas las ramas que no seanseleccionadas.
Selección de alternativas de Selección de alternativas de decisióndecisión
![Page 37: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/37.jpg)
Un inversionista desea abrir con apoyo de un experto un negocio de informática, sin embargo; no define cuál será el modelo de negocio hacia el cual se enfocará: desarrollos o elaboración de software empaquetado para su venta individual.
El inversionista plantea tres escenarios para la demanda de su negocio: Alta, media y baja. En base a experiencias previas del experto las probabilidades respectivas para cada demanda son: Alta: 0.4, Media: 0.5 y Baja 0.1.
El costo por apertura y operación del negocio de desarrollos durante el primer año se estima en 500,000.00. La ganancia por una alta demanda se estima en 1,100,000.00, mientras que para media y baja son 800,000.00 y 520,000.00 respectivamente.
Árboles de decisión: ejemplo
![Page 38: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/38.jpg)
El costo por apertura y operación del negocio de software empaquetado durante el primer año se estima en 550,000.00. La ganancia por una alta demanda se estima en 1,000,000.00, mientras que para media y baja son 750,000.00 y 620,000.00 respectivamente.
En ambos casos las cantidades monetarias se expresan como valor presente.
Construye un árbol de decisión que muestre la secuencia de toma de decisiones que se sigue para llegar a una conclusión.
Árboles de decisión: ejemplo
![Page 39: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/39.jpg)
El primer paso es colocar en un esquema de árbol el nodo de decisión, el cual tendrá dos ramas: una correspondiente a el desarrollo y otra a el software empaquetado.
De cada una de estas dos ramas saldrán otras tres que representarán las demandas alta, media y baja (estados de la naturaleza)
Al final de cada una de las ramas coloca los flujos monetarios estimados para cada demanda.
Árboles de decisión: ejemplo
![Page 40: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/40.jpg)
Árboles de decisión: ejemplo
![Page 41: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/41.jpg)
Multiplica el flujo estimado por la probabilidad correspondiente a cada demanda, así tendrás el flujo estimado para cada opción.
Suma los flujos correspondientes a cada demanda, esto para cada opción (desarrollo o producto empaquetado) y define cual de ellos presentará la mayor ganancia global esperada.
En base a esta cantidad define cuál decisión se toma. Se tacha aquella rama que representa la menor ganancia.
Árboles de decisión: ejemplo
![Page 42: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/42.jpg)
Árboles de decisión: ejemplo
![Page 43: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/43.jpg)
De aquí se obtiene que la mejor decisión, al menos para el
primer año de operación es el desarrollo de software a la
medida.El ejemplo es bastante sencillo, en caso de querer
visualizar más eventos se van agregando tanto nodos de decisión como nodos de probabilidad.
Árboles de decisión: ejemplo
![Page 44: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/44.jpg)
INFORMACIÓN PARA EL ANALISIS DE DECISIÓN DEL INFORMACIÓN PARA EL ANALISIS DE DECISIÓN DEL PROBLEMA PARA UNA PLANTA GRANDEPROBLEMA PARA UNA PLANTA GRANDE
Millones de dólaresMillones de dólares
DEMANDADEMANDA
PLANTA GRANDEPLANTA GRANDEAlta Media Alta Media
BajaBaja
Rendimiento Rendimiento operaciónoperación
20 15 20 15 10 10
CostosCostos 10 10 10 10
1010
Ganancia netaGanancia neta 10 5 10 5
0 0
Probabilidad planta grande Probabilidad planta grande y pequeñay pequeña
0.4 0.4 0.4 0.4 0.2 0.2
Decisión construcción de una planta grade o Decisión construcción de una planta grade o de una pequeñade una pequeña
![Page 45: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/45.jpg)
Decisión construcción de una planta grade o de una pequeña
Planta grande
Planta pequeña
Primer punto de decisión
D A (0.4)
D B (0.2)
D M (0.4)
D A (0.4)
D M (0.4)
D B (0.2)
$10$10MM
$5$5MM
$0$0MM
![Page 46: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/46.jpg)
PLANTA PEQUEÑAPLANTA PEQUEÑACosto de construcción de una planta pequeña es 6 Costo de construcción de una planta pequeña es 6
millones de dólares millones de dólares
EXPANSIÓNEXPANSIÓN
DEMANDA DEMANDA ALTAALTA
Gran Gran Pequeña Pequeña No No
Rendimiento Rendimiento operaciónoperación
19 18 19 18 10 10
Costos de Costos de expansiónexpansión
5 3 5 3 0 0
Ganancia netaGanancia neta 8 9 8 9
4 4
Segundo punto de decisiónSegundo punto de decisión
![Page 47: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/47.jpg)
Segundo punto de decisión demanda alta
Planta grande
Planta pequeña
Primer punto de decisión
D A (0.4)
D B (0.2)
D M (0.4)
D A (0.4)
D M (0.4)
D B (0.2)
$10$10MM
$5$5MM
$0$0MM
Segundo punto de decisión
Gran Gran expansiexpansiónónPequeña Pequeña expansiexpansiónónNo No expandiexpandirr
$8$8MM
$9$9MM
$4$4MM
![Page 48: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/48.jpg)
PLANTA PEQUEÑAPLANTA PEQUEÑACosto de construcción de una planta pequeña es 6 Costo de construcción de una planta pequeña es 6
millones de dólares millones de dólares
EXPANSIÓNEXPANSIÓN
DEMANDA DEMANDA MEDIAMEDIA Pequeña NoPequeña No
Rendimiento Rendimiento operaciónoperación
18 18 10 10
Costos de Costos de expansiónexpansión
3 3 00
Ganancia netaGanancia neta 9 9
44
Segundo punto de decisiónSegundo punto de decisión
![Page 49: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/49.jpg)
Segundo punto de decisión demanda media
Planta grande
Planta pequeña
Primer punto de decisión
D A (0.4)
D B (0.2)
D M (0.4)
D A (0.4)
D M (0.4)
D B (0.2)
$10$10MM
$5$5MM
$0$0MM
Segundo punto de decisión
Gran Gran expansiexpansiónónPequeña Pequeña expansiexpansiónónNo No expandiexpandirr
$8$8MM
$9$9MM
$4$4MM
Pequeña Pequeña expansiexpansiónónNo No expandiexpandirr
$9$9MM
$4$4MM
![Page 50: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/50.jpg)
PLANTA PEQUEÑAPLANTA PEQUEÑADEMANDA DEMANDA
BAJABAJA Rendimiento Rendimiento
operaciónoperación 10 10
Costos de Costos de construcciónconstrucción 6 6
Ganancia netaGanancia neta 4 4
Segundo punto de decisiónSegundo punto de decisión
![Page 51: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/51.jpg)
Segundo punto de decisión demanda baja: Segundo punto de decisión demanda baja:
Planta grande
Planta pequeña
Primer punto de decisión
D A (0.4)
D B (0.2)
D M (0.4)
D A (0.4)
D M (0.4)
D B (0.2)
$10$10MM
$5$5MM
$0$0MM
Segundo Segundo punto de punto de decisióndecisión
Gran Gran expansiexpansiónónPequeña Pequeña expansiexpansiónónNo No expandiexpandirr
$8$8MM
$9$9MM
$4$4MM
Pequeña Pequeña expansiexpansiónónNo No expandiexpandirr
$9$9MM
$4$4MM
$10M - $6M = $10M - $6M = $4M$4M
![Page 52: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/52.jpg)
Segundo punto de decisión demanda baja: Segundo punto de decisión demanda baja:
Planta grande
Planta pequeña
Primer punto de decisión
D A (0.4)
D B (0.2)
D M (0.4)
D A (0.4)
D M (0.4)
D B (0.2)
$10$10MM
$5$5MM
$0$0MM
Segundo Segundo punto de punto de decisióndecisión
Gran Gran expansiexpansiónónPequeña Pequeña expansiexpansiónónNo No expandiexpandirr
$8$8MM
$9$9MM
$4$4MM
Pequeña Pequeña expansiexpansiónónNo No expandiexpandirr
$9$9MM
$4$4MM
$4M$4M
(0.4)10M+(0.(0.4)10M+(0.4)5M4)5M+(0.2)0 = +(0.2)0 = $6M$6M
(0.4)9M+(0.4)(0.4)9M+(0.4)9M9M+(0.2)4M = +(0.2)4M = $8M$8M
Este plan tiene una ganancia Este plan tiene una ganancia esperada de 8 millones de esperada de 8 millones de dólares y un rango de dólares y un rango de resultados posibles de 4 a 9 resultados posibles de 4 a 9 millones de dólares.millones de dólares.
![Page 53: Arbol de Decision](https://reader033.vdocumento.com/reader033/viewer/2022050805/55721071497959fc0b8d2ce3/html5/thumbnails/53.jpg)
Una planta pequeña será adecuada Una planta pequeña será adecuada sólo para una demanda baja y la sólo para una demanda baja y la administración quiere considerar la administración quiere considerar la posibilidad de expansión si la posibilidad de expansión si la demanda resulta ser alta o mediana. demanda resulta ser alta o mediana. Si la demanda es alta, la Si la demanda es alta, la administración puede seleccionar administración puede seleccionar una expansión grande, una pequeña una expansión grande, una pequeña o no expandir o no expandir
Árboles de decisión