CURSO: GESTION ESTRATEGICA DE OPERACIONES. PROFESOR: ING. GREGORIO CABRERA FERNANDEZ. ALUMNO: CODIGO: CAMPOS AVILA DANIEL LEONARDO. 2007010998
RBOLES DE DECISIN
OTRA HERRAMIENTA DEL MODELO GENERAL
DEFINICION
Consiste en un GRAFO, o esquema con
nodos y ramas, donde se ordenan en forma cronolgica todos los momentos en que debe tomarse una decisin o acontece un evento aleatorio, indicando al final los resultados de una decisin.
Es una de las dos herramientas bsicas del
modelo general de decisin, que pueden ser utilizadas para esquematizar cualquier tipo de decisin (la otra herramienta bsica es la matriz de decisin).
3
CONTENIDO
Nodos de decisin
Nodos de acontecimiento
Resultados
CONTENIDO
Nodos de decisin: representan las situaciones
de decisin que se enfrentan. Nodos de acontecimiento: indican la existencia de variables no controlables que afectan a las distintas alternativas. Resultados: muestran los resultados asociados a cada curso de accin.
MOMENTOS DE DECISIN
REPRESENTACIN GRFICA
S1 S2
S3
MOMENTOS DE DECISIN
Las ramas que nacen de un nodo de
decisin representan las alternativas. Habr tantas ramas como alternativas haya. Pueden existir varios momentos de decisin en cada rbol. De cada nodo de decisin deben salir como mnimo dos ramas.
MOMENTOS DE DECISIN
Pueden existir varios nodos de decisin
consecutivos. Al resolver, por cualquiera de los criterios conocidos, quien decide es el decisor y por lo tanto siempre elige la mejor alternativa.
EVENTOS ALEATORIOS
REPRESENTACIN GRAFICA
N1
N2
N3
EVENTOS ALEATORIOS
Despus de cada rama, que representa
a una alternativa, habr un nodo de acontecimiento, si dicho curso de accin est afectado por una variable no controlable. Cada nodo indicar la existencia de una variable no controlable. De cada nodo debern salir como mnimo dos ramas.
10
EVENTOS ALEATORIOS
Las ramas que nacen de un nodo
aleatorio muestran los distintos comportamientos que puede exhibir una variable no controlable. En un rbol pueden presentarse varios nodos aleatorios en forma sucesiva.
11
forma secuencial todos los momentos de decisin y los momentos de acontecimiento de un evento aleatorio. A cada nodo, tanto de decisin como aleatorio, debe llegar una sola rama. De cada nodo, tanto de decisin como aleatorio, deben salir como mnimo dos ramas. Luego, se colocan al final de las ramas los resultados acumulados despus de sortear todas las vicisitudes desde el inicio del proceso.
12
cuenta la influencia de las decisiones y eventos aleatorios ltimos sobre los primeros.
En los nodos de decisin se elige la mejor
alternativa.
En los eventos aleatorios se indica el criterio usado
13
Ejemplo
Existe una empresa que est por construir una
planta de produccin para los prximos 10 aos. La opcin es construir una planta grande para enfrentar una demanda sostenidamente alta o una planta pequea y a los dos aos ampliarla si la demanda fuese alta. Si al inicio la demanda es baja seguir as en el futuro. Pero puede ser alta en los primeros dos aos y luego reducirse por efecto de la competencia. La planta grande demanda ms inversin inicial y posee ms costos de mantenimiento que la pequea.
14
Ejemplo
Planta grande Ventas sostenidamente altas Ventas iniciales altas y luego bajas Ventas sostenidamente bajas Vtas. altas Amplia r Planta pequea Venta inicial alta No amplia r Vtas. bajas Vtas. altas Vtas. bajas
R1
R2 R3 R4 R5 R6 R7
R8
15
Ejemplo
Probabilidades: luego de desarrollar el rbol
ingresos son mayores cuando se acierta con la dimensin de la planta y tambin si es mayor su nivel de produccin, pero hay ms costos de inversin y mantenimiento cuanto mayor es la misma.
16
Ejemplo
Planta grande 0,60 - Ventas sostenidamente altas 0,20 - Vtas. iniciales altas y luego bajas 0,20 - Ventas sostenidamente bajas 0,75 altas Amplia 0,80 - Vta. inicial alta r No amplia r 0,25 bajas 0,75 altas 0,25 bajas
70
0 - 20 60 - 10 40 20
Planta pequea
10
17
Ejemplo
Resolucin del rbol
Se comienzan a resolver los nodos ms
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 decisin se elige el mejor resultado (o mejor valor esperado). Se llega al principio donde queda en claro cul es la mejor alternativa inicial, la que debe elegirse.
18
Ejemplo
Planta grande 38 0,60 - Ventas sostenidamente altas 0,20 - Vtas. iniciales altas y luego bajas 0,20 - Ventas sostenidamente bajas 0,75 Amplia 40 altas 0,80 - Vta. inicial alta 34 0,20 - Vta. inicial baja r 40 No amplia r 0,25 bajas 0,75 35 altas 0,25 bajas
70
10 - 30 60 - 20 40 20
38 Planta pequea
10
19
20
tcnicas que permiten obtener soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas. En la prctica, las pruebas aleatorias se sustituyen por resultados de ciertos clculos realizados con nmeros aleatorios. ALGORITMOS El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribuciones acumuladas de frecuencias: Determinar la/s V.A. y sus distribuciones acumuladas(F) Generar un nmero aleatorio uniforme (0,1). Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases que tengamos. Calcular media, desviacin estndar error y realizar el histograma. Analizar resultados para distintos tamaos de muestra.
Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es directamente el resultado de la simulacin o tenemos relaciones entre variables es la siguiente: Disear el modelo lgico de decisin Especificar distribuciones de probabilidad para las variables aleatorias relevantes. Incluir posibles dependencias entre variables. Muestrear valores de las variables aleatorias. Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el resultado Repetir el proceso hasta tener una muestra estadsticamente representativa Obtener la distribucin de frecuencias del resultado de las iteraciones Calcular media, desvo. Analizar los resultados
Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del algoritmo son: El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad (fdp) Generador de nmeros aleatorios: como se generan los nmeros aleatorios es importante para evitar que se produzca correlacin entre los valores muestrales. Establecer lmites y reglas de muestreo para las fdp: conocemos que valores pueden adoptar las variables. Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular. Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que una corrida sea vlida? Tcnicas de reduccin de varianza.