Download

ARBOLES DE DECISION MATRIZ DE PAGOS






Advertisement
/ 44 []
Download Presentation
Comments
corine
From:
|  
(638) |   (0) |   (0)
Views: 94 | Added: 01-11-2012
Rate Presentation: 0 0
Description:
ARBOLES DE DECISION MATRIZ DE PAGOS. OTRA HERRAMIENTA DE TOMA DE DECISIONES. TOMA DE DECISIONES. CATEGORIAS: Certidumbre >>>>>>Deterministas Riesgo >>>>>>>>>>Probabilistas Incertidumbre >>>>>Desconocidas Conflicto >>>>>>>>>Influenciadas por el oponente
ARBOLES DE DECISION MATRIZ DE PAGOS

An Image/Link below is provided (as is) to

Download Policy: Content on the Website is provided to you AS IS for your information and personal use only and may not be sold or licensed nor shared on other sites. SlideServe reserves the right to change this policy at anytime. While downloading, If for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.











- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -




Slide 1

ARBOLES DE DECISION MATRIZ DE PAGOS

OTRA HERRAMIENTA DE TOMA DE DECISIONES

Slide 2

TOMA DE DECISIONES

  • CATEGORIAS:

    • Certidumbre >>>>>>Deterministas

    • Riesgo >>>>>>>>>>Probabilistas

    • Incertidumbre >>>>>Desconocidas

    • Conflicto >>>>>>>>>Influenciadas por el oponente

      EN INCERTIDUMBRE UN CRITERIO DE DECISION ESTA BASADO EN EL VALOR ESPERADO

      El Valor Esperado de una variable aleatoria X es:

      E(X) = ∑ Xj p (Xj) Xj valores de X

      p (XJ) = probabilidades de X

Slide 3

1.- Cuando debe tomarse una sola decisión:

MATRIZ DE PAGOS

2.- Cuando debe tomarse una serie de decisiones:

ARBOL DE DECISIONES

EVENTOS: Son los resultados posibles Futuros.

Pueden ser: FINITOS: Discretos(Ganar o Perder un contrato)

INFINITOS: Continuos (Pronostico de utilidades)

  • Cuando la ocurrencia de un evento evita la ocurrencia de los demás se denominan : EVENTOS MUTUAMENTE EXCLUYENTES

  • Cuando la colección de los eventos describen todas las posibilidades: EVENTOS COLECTIVAMENTE EXAUSTIVOS

Slide 4

  • Para eventos discretos la probabilidad es un numero entre 0 y 1. Si son mutuamente excluyentes y colectivamente exhaustivos la suma de probabilidades es 1.

    FUENTES DE LAS PROBABILIDADES:

    - Datos históricos: Las frecuencias relativas se convierten en probabilidades de los eventos futuros:

Slide 5

  • Ejemplo:

    Xj = Cantidad Demandada

    nj = Número de semanas que se demando Xj

    hj = Frecuencia Relativa

Slide 6

  • Otras fuentes de las probabilidades serán las distribuciones teóricas BINOMIAL, POISSON, NORMAL.

    MATRIZ DE PAGOS: Proporciona una estructura organizada para analizar situaciones probabilísticas en las que se debe seleccionar una sola alternativa.

Slide 7

Los Componentes de la Matriz de Pagos:

  • Un conjunto de decisiones alternativas o cursos de acción X1, X2,….Xm, que contienen todas las alternativas factibles y son mutuamente excluyentes.

  • Conjunto de eventos que pueden ocurrir E1, E2,….En, llamados Estados de la Naturaleza, que están fuera de control. Son probabilísticos, mutuamente excluyentes y colectivamente exhaustivos.

Slide 8

ESQUEMA DE MATRIZ DE PAGOS:

Estados de la Naturaleza (Eventos)

Acciones

Slide 9

Ej. Cuantos Arboles de Navidad ordenar?

  • Costo: $US. 3,5 c/u.

  • Precio de Venta. $US. 8,0 c/u.

  • Se pueden ordenar solo lotes de 100 u.

  • Si no se vende no hay valor de recuperación.

  • Las ventas del año pasado nos dieron la siguiente estimación:

    Venta de Arboles Probabilidad

    100 0.3

    200 0.3 300 0.4

Slide 10

Las Decisiones Alternativas o Acciones son:

  • X1 = Ordenar 100 Arboles

  • X2 = Ordenar 200 Arboles

  • X3 = Ordenar 300 Arboles

    Los Eventos probabilísticamente son:

  • E1 = Demanda de 100 a. Con prob. 30 %

  • E2 = Demanda de 200 a. Con prob. 30 %

  • E3 = Demanda de 300 a. Con prob. 40 %

Slide 11

  • La Tabla de Pagos resultante será:

    Eventos

    Acciones

Slide 12

  • EN CONDICIONES DE CERTIDUMBRE:

  • Si se conoce la demanda se toma la acción que maximiza el pago.

  • Si habrá demanda de 100 árboles se pide 100 y así sucesivamente.

  • EN CONDICIONES BAJO RIESGO:

    Se utiliza el criterio del VALOR ESPERADO

Slide 13

  • CRITERIO DEL VALOR ESPERADO (REGLA DE DECISION DE BAYES): Para cada alternativa se realiza el cálculo del valor esperado. Se elige el que tiene mayor valor esperado

    VE (X1) = V (100) = 450

    VE (X2) = V (200) = 660

    VE (X3) = V (300) = 630

    Ordenar 200 árboles utiliza toda la información disponible.

Slide 14

  • CRITERIO DE LA MAXIMA POSIBILIDAD:

    Se identifica el estado mas probable de la naturaleza seleccionando el que tenga el pago máximo.

    Como la mayor probabilidad es 0,4 para E3 se debe elegir ordenar 300 árboles.

    La desventaja de este criterio es que ignora mucha información relevante sobre todo cuando existen muchos eventos.

Slide 15

  • ESTRATEGIA MAXIMAX (OPTIMISTA)

    Selecciona la acción que maximiza el pago máximo. Ordenar 300 árboles con un pago de $US. 1350.

    ESTRATEGIA MAXIMIN (PESIMISTA) o Criterio del Pago Máximo:

    Seleciona la acción con el mayor de los pagos mínimos de cada alternativa.

    Max ( 450, 100, -250) Se elige 450 que corresponde a ordenar 100 arboles

Slide 16

  • CRITERIO DE HURWICZ: Es para aquel que es ambos extremos Optimista y pesimista. α = 1 OPTIMISTA

    α = 0 PESIMISTA ABSOLUTO

    Si M es el pago máximo de cada alternativa y m el pago mínimo de tal alternativa, entonces el PAGO PONDERADO es:

    PP = α M + ( 1 - α ) m

    Para X1 PP = 450 Para X2 PP = 340

    Para X3 PP = 230 Se elige 100 árboles

Slide 17

  • CRITERIO DE LA RAZON INSUFICIENTE ( LAPLACE):

    Este principio supone que todos los eventos son equiprobables. En el ejemplo todos los estados dela naturaleza tienen probabilidad 1/3.

    VE (X1) = 450

    VE (X2) = 633,33

    VE (X3) = 550 Ordenar 200 árboles.

Slide 18

  • CRITERIO DE ARREPENTIMIENTO:

    Se mide mediante la diferencia entre el pago que se obtiene al tomar la decisión y el pago óptimo que podría conseguirse de haber sabido que estado de la naturaleza iba a ocurrir. Esta diferencia también se llama perdida de oportunidad

    + o costo de oportunidad. Es la magnitud de la perdida en que se incurrió por no seleccionar la mejor opción.

Slide 19

  • De la Matriz de pago se identifica el arrepentimiento máximo para cada alternativa y se elige la alternativa que minimice los valores de arrepentimiento.

Slide 20

EVENTOS

ACCIONES

El arrepentimiento máximo de X1 es 900, para X2 es 450 y para X3 es700. El mínimo es 450. Debe ordenarse 200 arboles.

Slide 21

  • 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.

Slide 22

  • El ARBOL DE DECISIONES es una excelente ayuda para la elección entre varios cursos de acción.

  • Proveen una estructura sumamente efectiva dentro de la cual estimar cuales son las opciones e investigar las posibles consecuencias de seleccionar cada una de ellas.

  • También ayudan a construir una imagen balanceada de los riesgos y recompensas asociados con cada posible curso de acción.

Slide 23

  • En resumen, los árboles de decisión proveen un método efectivo para la toma de decisiones debido a que:- claramente plantean el problema para que todas las opciones sean analizadas.- permiten analizar totalmente las posibles consecuencias de tomar una   decisión.- proveen un esquema para cuantificar el costo de un resultado y la probabilidad   de que suceda.- nos ayuda a realizar las mejores decisiones sobre la base de la información   existente y de las mejores suposiciones.

Slide 24

DEFINICION

  • Consiste en un GRAFO, o esquema con nodos y ramas, donde se ordenan en forma cronológica todos los momentos en que debe tomarse una decisión o acontece un evento aleatorio, indicando al final los resultados de una decisión.

  • Es una de las dos herramientas básicas del modelo general de decisión, que pueden ser utilizadas para esquematizar cualquier tipo de decisión (la otra herramienta básica es la matriz de decisión).

Slide 25

CONTENIDO

  • Nodos de decisión

  • Nodos de acontecimiento

  • Resultados

Slide 26

MOMENTOS DE DECISIÓN

S1

  • Las ramas que nacen de un nodo de decisión representan a las alternativas.

S2

S3

Slide 27

EVENTOS ALEATORIOS

N1

  • Las ramas que nacen de un nodo de acontecimiento representan a los distintos estados de una Variable No Controlable.

N2

N3

Slide 28

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 esperado, minimax, etc.).

Slide 29

Valor esperado: ejemplo

  • Suponga que usted compra en Bs.1000

    un número de una rifa, la cual paga un premio de Bs.50.000.

  • Hay dos eventos posibles:

    • Usted gana la rifa, o

    • Pierde

  • ¿Cuál es el valor esperado del juego?

Slide 30

  • La distribución de probabilidades es:

  • El valor esperado es:

    49000*(1/100) + -1000*99/100 = -500

  • ¿Qué significa ese resultado?

Slide 31

Árboles de decisión: Análisis: criterio del Valor Monetario Esperado

  • Generalmente se inicia de derecha a izquierda, calculando cada pago al final de las ramas

  • Luego en cada nodo de evento se calcula un valor esperado

  • Después en cada punto de decisión se selecciona la alternativa con el valor esperado óptimo

Slide 32

Árboles de decisión: Análisis: ejemplo de la rifa

Gana

(0,01)

¢49.000

Punto de

decisión

-500

Juega la rifa

Pierde

(0,99)

¢ -1000

No juega la rifa

¢ 0

Slide 33

Árboles de decisión: Análisis: ejemplo de la rifa

  • 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

Slide 35

Ejemplo

  • 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.

Slide 36

Ejemplo

Ventas sostenidamente altas

R1

Ventas iniciales altas y luego bajas

R2

Planta grande

Ventas sostenidamente bajas

R3

Vtas. altas

R4

Ampliar

R5

Vtas. bajas

Planta pequeña

Venta inicial alta

No ampliar

Vtas. altas

R6

R7

Vtas. bajas

Venta inicial baja

R8

Slide 37

Ejemplo

  • Probabilidades: luego de desarrollar el árbol se colocan las probabilidades de los estados en los casos en que se conozcan.

  • Se calculan los resultados acumulados: los ingresos son mayores cuando se acierta con la dimensión de la planta y también si es mayor su nivel de producción, pero hay más costos de inversión y mantenimiento cuanto mayor es la misma.

Slide 38

Ejemplo

0,60 - Ventas sostenidamente altas

70

0,20 - Vtas. iniciales altas y luego bajas

10

Planta grande

0,20 - Ventas sostenidamente bajas

- 30

0,75 - altas

60

Ampliar

0,80 - Vta. inicial alta

- 20

0,25 - bajas

Planta pequeña

No ampliar

0,75 - altas

40

20

0,25 - bajas

0,20 - Vta. inicial baja

10

Slide 39

Ejemplo

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.

Slide 40

Ejemplo

0,60 - Ventas sostenidamente altas

70

0,20 - Vtas. iniciales altas y luego bajas

10

38

Planta grande

0,20 - Ventas sostenidamente bajas

- 30

0,75 - altas

60

Ampliar

38

40

0,80 - Vta. inicial alta

- 20

0,25 - bajas

Planta pequeña

40

No ampliar

0,75 - altas

40

34

35

20

0,25 - bajas

0,20 - Vta. inicial baja

10

Slide 41

USO DEL ÁRBOL DE DECISIÓN

VENTAJAS

  • Refleja mejor a las situaciones con decisiones secuenciales (con más de un momento de decisión).

    DESVENTAJAS

  • No permite analizar los casos de dominancia.

  • Cuando una misma VNC afecta a distintas alternativas, figura como si fuese otra VNC.


Copyright © 2014 SlideServe. All rights reserved | Powered By DigitalOfficePro