Arboles de Desicion

Descargar como pptx, pdf o txt
Descargar como pptx, pdf o txt
Está en la página 1de 14

VALOR ESPERADO DE LA

INFORMACIÓN PERFECTA

 El VIP es el aumento en la utilidad esperada a partir de contar con un


mecanismo de predicción perfecto.

 se puede considerar como una medida general del impacto económico


de la incertidumbre en el problema de decisión.
 Nos indica el valor máximo que nos conviene pagar por conseguir
información adicional
 El VEIP también da una medida de las oportunidades perdidas. Si
el VEIP es grande, es una señal para que quien toma la decisión busque
otra alternativa que no se haya considerado hasta el momento
Como se calcula?

 Valor esperado de la información perfecta:


es la diferencia en el valor absoluto entre la ganancia que se puede
obtener con la información perfecta y la ganancia esperada sin la
información perfecta.

VEIP =VEcIP- VEsIP


Observaciones sobre el criterio de la
ganancia esperada (VE).

 -El criterio de la ganancia esperada es factible de usar en situaciones


donde es posible hacer una planificación apropiada, y las situaciones de
decisión son repetitivas.-Un problema de este criterio es que no considera
las situaciones ante posibles pérdidas.
EJEMPLO.

 María es un vendedora de flores que tiene que decidir todas las noches
cuántas flores va a llevar de su plantación a su local comercial para
vender al día siguiente. La demanda por flores es estocástica y por
experiencia estima que sigue una distribución exponencial con λ=0,04. El
costo por flor para María es de $6 y las flores no vendidas son consignadas
(liquidadas) a $2 cada una a un vendedor de flores secas. Además,
María estima que el costo por cliente perdido es de $10.
 ¿Cuál es la cantidad óptima de flores que María debe llevar todos los días
desde su plantación a su local comercial si desea minimizar el costo
esperado? ¿Cuál es el nivel de servicio instock asociado a esta
alternativa?.
 La cantidad óptima de pedido en el modelo newsvendor está dada por:

 Donde p representa el costo de quiebre de stock (en nuestro ejemplo por


cliente perdido), c corresponde al costo de compra o producción y h el
valor de consignación (en el ejemplo lo que se podría rescatar por cada
unidad que no se logra vender). Considerando dicha información
la cantidad óptima de flores que María debe llevar todos los días desde
su plantación a su local comercial es:
Es decir, debe llevar diariamente 17 flores. Luego
el nivel de servicio instockasociado a un pedido
de 17 unidades es:
 Cuál es el costo total esperado para la cantidad optima de pedido
propuesta? ¿Cuál es el Valor Esperado de la Información Perfecta (VEIP)?

El costo esperado de implementar un pedido de 17 flores es


aproximadamente $219,32. A continuación calculamos el VEIP
(recordar que en el caso de una distribución exponencial la media
se obtiene de µ=1/λ).
ANALISIS DE SENSIBILIDAD

 El análisis de sensibilidad es un término financiero, muy utilizado en las


empresas para tomar decisiones de inversión, que consiste en calcular los
nuevos flujos de caja y el VAN(en un proyecto, en un negocio, etc.), al
cambiar una variable (la inversión inicial, la duración, los ingresos, la tasa
de crecimiento de los ingresos, los costes, etc.) De este modo teniendo los
nuevos flujos de caja y el nuevo VAN podremos calcular y mejorar
nuestras estimaciones sobre el proyecto que vamos a comenzar en el
caso de que esas variables cambiasen o existiesen errores de apreciación
por nuestra parte en los datos iniciales
Para hacer el análisis de sensibilidad tenemos que comparar el VAN antiguo con el VAN nuevo y nos dará un valor que al multiplicarlo por cien nos da el porcentaje de cambio. La fórmula a utilizar es la siguiente: .D

COMO HACER EL ANALISIS DE


SENSIBILIDAD?
 Para hacer el análisis de sensibilidad tenemos que comparar el VAN antiguo con el VAN nuevo
y nos dará un valor que al multiplicarlo por cien nos da el porcentaje de cambio. La fórmula a
utilizar es la siguiente: (VANn-VANe)/VANe . Donde VANn es el nuevo VAN obtenido y VANe es
el VAN que teníamos antes de realizar el cambio en la variable.
 La base para aplicar este método es identificar los posibles escenarios del proyecto de
inversión, los cuales se clasifican en los siguientes:
 Pesimista: Es el peor panorama de la inversión, es decir, es el resultado en caso del fracaso total
del proyecto.
 Probable: Éste sería el resultado más probable que supondríamos en el análisis de la inversión,
debe ser objetivo y basado en la mayor información posible.
 Optimista: Siempre existe la posibilidad de lograr más de lo que proyectamos, el escenario
optimista normalmente es el que se presenta para motivar a los inversionistas a correr el riesgo.
 Así podremos darnos cuenta que en dos inversiones donde estaríamos dispuestos a invertir una
misma cantidad, el grado de riesgo y las utilidades se pueden comportar de manera muy
diferente, por lo que debemos analizarlas por su nivel de incertidumbre, pero también por la
posible ganancia que representan
EJEMPLO
 inversión A Inversión B Inversión Inicial $ 100,000 $ 100,000
Posibles ganancias en el periodo de Inversión Resultado Posible Pesimista 2,500 0.00 Probable 50,000
50,000 Optimista 60,000 100,000
 Resultados incluyendo la inversión: Pesimista (-97,500) (-100,000) Probable 150,000 150,000
Optimista 160,000 200,000
 Los estimados de resultados se deben fijar por medio de la investigación de cada proyecto, es
decir, si se trata de una sociedad de inversión podremos analizar el histórico de esa
herramienta financiera en particular, en el caso de un proyecto de negocio, debemos conocer
la proyección financiera del mismo y las bases en que determinaron dicha proyección.
 Como se puede observar en el ejemplo, el grado de mayor riesgo lo presenta el proyecto B,
pero también la oportunidad de obtener la mayor utilidad. Normalmente así se comportan las
inversiones, a mayor riesgo mayores utilidades posibles.
 Después de conocer el sistema de análisis de Sensibilidad de un proyecto, lo siguiente es que
analices y tomes decisiones sobre la base de tus expectativas de riesgo. Recomendamos
asesoría de un profesional antes de invertir tu dinero, en conjunto podrán considerar éste y otros
métodos para tomar la decisión que más se adapte a tus requerimientos.
ARBOLES DE DECISION.

 Un árbol de decisión1 es un modelo de predicción utilizado en diversos


ámbitos que van desde la inteligencia artificial hasta la Economía. Dado
un conjunto de datos se fabrican diagramas de construcciones lógicas,
muy similares a los sistemas de predicción basados en reglas, que sirven
para representar y categorizar una serie de condiciones que ocurren de
forma sucesiva, para la resolución de un problema.
CONSTRUCCIÓN DE UN ÁRBOL DE
DECISIÓN.
 ELEMENTOS
 Elementos de un Árbol de decisión
 Los árboles de decisión están formados por nodos, vectores de
números, flechas y etiquetas.
 Cada nodo se puede definir como el momento en el que se
ha de tomar una decisión de entre varias posibles, lo que va
haciendo que a medida que aumenta el número de nodos
aumente el número de posibles finales a los que puede llegar
el individuo. Esto hace que un árbol con muchos nodos sea
complicado de dibujar a mano y de analizar debido a la
existencia de numerosos caminos que se pueden seguir.
 Los vectores de números serían la solución final a la que se
llega en función de las diversas posibilidades que se tienen,
dan las utilidades en esa solución.
 Las flechas son las uniones entre un nodo y otro y representan
cada acción distinta.
 Las etiquetas se encuentran en cada nodo y cada flecha y
dan nombre a cada acción.
REGLAS

 En los árboles de decisión se tiene que cumplir una serie de reglas.


 Al comienzo del juego se da un nodo inicial que no es apuntado por ninguna
flecha, es el único del juego con esta característica.
 El resto de nodos del juego son apuntados por una única flecha.
 De esto se deduce que hay un único camino para llegar del nodo inicial a
cada uno de los nodos del juego. No hay varias formas de llegar a la misma
solución final, las decisiones son excluyentes.
 En los árboles de decisiones las decisiones que se eligen son lineales, a medida
que vas seleccionando entre varias opciones se van cerrando otras, lo que
implica normalmente que no hay marcha atrás. En general se podría decir
que las normas siguen una forma condicional: Opción 1->opción 2->opción 3-
>Resultado Final X Estas reglas suelen ir implícitas en el conjunto de datos a raíz
del cual se construye el árbol de decisión.
EJEMPLO.

 En este árbol de decisión podemos observar como hay


cuatro posibles soluciones finales. En él se cumplen las
normas antes descritas (nodo inicial, una única flecha por
nodo y un único camino para llegar a cada nodo final) y
tiene todos los elementos antes descritos (nodos, vectores
de números, flechas y etiquetas). La imagen representa un
árbol de decisión conformado por dos jugadores, en él se
pueden observar las opciones que El juego cuenta con dos
jugadoras. La primera decisión la ha de tomar la jugadora
1, quien debe decidir entre O1 y O2, en este punto será la
jugadora 2 quien decida. Si la Jugadora 1 ha elegido O1,
tendrá que decidir entre A1 y R1, A1 le producirá una
utilidad de 2, y R1 de 0, a su vez A1 le reportará una utilidad
de 8 a la jugadora 1 y R1 de 0. En cambio, si la jugadora 1
elige O2, la jugadora 2 deberá elegir entre A2 y R2, la
primera opción le reportará una utilidad de 5 a ella y a la
otra jugadora, R2 reportará una utilidad de 0 a las dos. Con
los adecuados métodos de inducción existentes se podría
resolver este árbol de decisión sin mucha complicación.

También podría gustarte