Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
CAMPUS TLALPAN

DEPARTAMENTO DE POSGRADO

MAESTRÍA EN GESTIÓN DE TECNOLIGÍAS DE LA INFORMACIÓN

SOFTWARE DE ANÁLISIS DE DE...
Marco Teórico
Los árboles de decisión son una manera de representar una serie de reglas que culminan en
una clase o valor....
En el grafo pueden aparecer tres tipos de nodos:
-

Variables aleatorias, que se representan por círculos
Decisiones, que ...
-

Si la Decisión Dec1 se toma antes que Dec2, el nodo Dec1 debe aparecer a la izquierda
del nodo Dec2.

-

Las variables ...
Para el desarrollo del modelo PrecisionThree recomienda seguir los siguientes pasos:
1.- Planificar el modelo de árbol de ...
Ejemplo II
Decisión de presentaroferta 1 - Modelo de PrecisionTreebásico
En estemodelointroductorio, unacompañía de tecnol...
Diagrama de influencia
Grafica de probabilidad
Grafica Acumulativa
Conclusiones
Todas las actividades profesionales requieren de decisiones rápidas y acertadas para el éxito
de situaciones,...
Software para arboles de decisión y diagramas de influencia
Upcoming SlideShare
Loading in …5
×

Software para arboles de decisión y diagramas de influencia

4,311 views

Published on

Software

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Software para arboles de decisión y diagramas de influencia

  1. 1. CAMPUS TLALPAN DEPARTAMENTO DE POSGRADO MAESTRÍA EN GESTIÓN DE TECNOLIGÍAS DE LA INFORMACIÓN SOFTWARE DE ANÁLISIS DE DECISIONES MAESTRANTES: José Antonio Chávez Malagamba Carlos Adán Moctezuma Figueroa NOMBRE DOCENTE:Ricardo Alfonso Delgado Altamirano
  2. 2. Marco Teórico Los árboles de decisión son una manera de representar una serie de reglas que culminan en una clase o valor. Son comúnmente usados en la minería de datos para examinar los datos e inducir las reglas para realizar predicciones. Los árboles de decisión crecen a través de una división iterativa de grupos discretos, donde la meta es maximizar la “distancia” entre grupos por cada división. Una de las distinciones entre los diferentes métodos de “división” es como miden esta distancia. Se puede pensar que cada división de los datos en nuevos grupos debe ser diferente uno de otro tanto como sea posible. Esto también es llamado como “purificación” de grupos. Los árboles de decisión usados para predecir variables categóricas son llamados árboles de clasificación, y los árboles usados para predecir variables continuas son llamados árboles de regresión. Los árboles de decisión manejan datos no numéricos muy bien. La habilidad para aceptar datos categóricos minimiza la cantidad de transformaciones en los datos y la explosión de variables de predicción inherentes en las redes neuronales. Un diagrama de influencia es una presentación visual simple en forma de grado de un problema de decisión. Ofrece una manera intuitiva de identificar y representar los elementos esenciales de un problema de ese tipo, incluyendo decisiones, elementos de azar y objetivos; asi como relaciones entre ellos. En el grado podemos diferenciar entre nodos y aristas. Representando las distintas relaciones entre ellos. Los nodos pueden representar: - Decisiones Variables al azar Utilidades Análisis Un árbol de decisión se compone de: - - Un nodo raíz, que puede ser aleatorio o de decisión Cada nodo (excepto el nodo de utilidad) tiene varios hijos, uno por cada valor de la variable asociada al nodo Gráficamente el nodo raíz se representa a la izquierda, y los hijos de cada nodo a la derecha de su padre, siguiendo un orden temporal en las acciones; por tanto los nodos de utilidad aparecen en el extremo de la derecha. Los nodos aleatorios se representan por círculos, y los de decisión por cuadrados. Los enlaces que parten de un nodo aleatorio X llevan asociada una probabilidad condicional P(x|izq(x), donde izq(x) representa los valores que toman los nodos situados a la izquierda de X en el árbol. Un diagrama de influencia viene dado por un grafo y unas tablas.
  3. 3. En el grafo pueden aparecer tres tipos de nodos: - Variables aleatorias, que se representan por círculos Decisiones, que se representan por cuadrados o rectángulos Utilidad, que se representan por rombos. Cada nodo aleatorio lleva asociado una tabla de probabilidad condicional dados sus padres (que pueden ser tanto aleatorios como de decisión) Desarrollo Para construir el árbol tomando en cuenta ambos conceptos, es necesario tener en cuenta la siguiente composición utilizando como herramienta “PrecisionThree”: - A la derecha del todo debe aparecer el valor de la utilidad para cada rama.
  4. 4. - Si la Decisión Dec1 se toma antes que Dec2, el nodo Dec1 debe aparecer a la izquierda del nodo Dec2. - Las variables cuyo valor se conoce antes de tomar la decisión Dec, han de aparecer a la izquierda del nodo Dec en el desarrollo del árbol; las que no se conocen al decidir Dec, aparecerán a la derecha. De dos puntos anteriores se deduce que, si el valor de la variable X se conoce después de la Decisión Dec1 y antes de la Dec2, el nodo X debe aparecer entre Dec1 y Dec2. - Su evaluación de se realizara siempre de derecha a izquierda.
  5. 5. Para el desarrollo del modelo PrecisionThree recomienda seguir los siguientes pasos: 1.- Planificar el modelo de árbol de decisión 2.- Construir el esqueleto del árbol 3.- Introducir los valores y las probabilidades 4.- Examinar la estrategia óptima 5.- Realizar un análisis de sensibilidad Ejemplos de aplicación Con la finalidad de mostrar la aplicación de la herramienta, a continuación se muestran dos ejemplos y su descripción respectiva: Terminologíabásica de árboles El objetivo de esteejemploesayudarle a familiarizarse con la terminologíabásicaque se utiliza en un árbol de decisión. El árbol simple, llamado "Lotería" incluyenumerosasanotaciones. Contieneunnodo de decisióncon dosramasquerepresentanunadecisión de compra de un boleto de lotería de $2. Si elige la opción "Sí", debepagar $2. No hay ningúncostosi se elige la rama "No". Si juega, hay dos posiblesresultados. Hay unaprobabilidaddel 1% de ganar un premio de $100, y un 99% de no ganar nada. El valor esperado de la rama "Sí" (si se compra el boleto, celda D19) es -$1. Portanto, si lo únicoque le preocupaes el valor esperado, la mejordecisiónes no comprar el boleto. Los valores FALSO y VERDADERO de lasceldas C18 y C24 indicanqueestaestambién la decisión a la que ha llegadoPrecisionTree. Siempremarca la rama de la mejordecisión con VERDADERO. No obstante, puedeprobar a cambiar los valores y lasprobabilidadesdelmodelo para versicambianestosresultados y de quémanera.
  6. 6. Ejemplo II Decisión de presentaroferta 1 - Modelo de PrecisionTreebásico En estemodelointroductorio, unacompañía de tecnologíadebedecidirsipresentaráunaoferta para un contrato con el gobierno para desarrollar un equipo y, si la compañíaoptaporpresentar la oferta, debedecidir el valor de la misma. El gobiernoadjudicará el contrato a la compañíaquepresente la ofertamásbaja. No obstante, hay unaprobabilidad de 0.2 de queningunaotracompañíapresenteunaoferta. Si se presentanotrasofertas, la ofertamásbajaestádeterminadapor la siguientedistribución de probabilidad: menos de $160K con unaprobabilidad de 0.2, entre $160K y $170K con unaprobabilidad de 0.4, entre $170K y $180K con unaprobabilidad de 0.3 y mayor que $180K con unaprobabilidad 0.1. La compañíaestimaque el costo de presentarunaofertaes de $7.5K y el costo de desarrollar el equipo, en caso de quegane el contratoes de $150K. De estamanera, porejemplo, si la compañíapresentaunaoferta de $170K y gana el contrato, sibeneficioseráigual a $20K menos lo que le costópresentar la oferta. Además, la probabilidad de ganar la oferta en estecasoes de 0.2 (si no tienequecompetir con ningunaotraoferta) más 0.8*0.4 (lasofertas con lasquedebecompetirsuperan los $170K). Se muestra el árbol para tomarestasdecisiones. Observe quetodaslasprobabilidades y los valoresmonetarios se hanintroducidodirectamente en lasramas del árbol. (Estas son lasceldas con letranegra. Las celdas con letraazul, verde o roja se reservan para lasfórmulas de PrecisionTree.) Siempre hay unaposibilidad en unárbol y tiende a acelerar el proceso de desarrollo de un árbol. No obstante tambiénesposible, y con frecuenciaesunabuena idea, utilizarfórmulas en lasramasdelárbolquehaganreferencia a lasceldas de unasección "Entradas" de la hoja de cálculo. Estaposibilidadresultaparticularmenteútil para el análisis de sensibilidad y se ilustra en la siguienteversión de estasecuencia de ejemplos de decisión de presentaroferta. Unavezque se ha creado el árbol y se ha etiquetado con lasprobabilidades y los valoresmonetarios, esfácilver la estrategia de la mejordecisiónsiguiendolasramas VERDADERO de los nodos de decisión. En estemodelo, la compañíadebepresentarunaoferta y la cantidad de la ofertadebeser de $170K. El valor monetarioesperado de estaestrategiaes de $2900, el valor de la celda C35. Las últimastreshojasmuestransalidasopcionales de PrecisionTree del menúdesplegableAnálisis de decisión.
  7. 7. Diagrama de influencia
  8. 8. Grafica de probabilidad
  9. 9. Grafica Acumulativa
  10. 10. Conclusiones Todas las actividades profesionales requieren de decisiones rápidas y acertadas para el éxito de situaciones, la técnica del Árbol de Decisiones nos facilitará la tarea de escoger las estrategias adecuadas a seguir dentro de la empresa, por lo que se hace de vital importancia el conocer y comprenderlo. Entre las facilidades de utilizar un árbol de decisiones podemos encontrar que nos permite plantear claramente el problema de tal manera que todas las opciones sean analizadas, hacer un análisis rápido de todas las consecuencias de las posibles decisiones. Ya que utiliza un esquema que cuantifica el costo de los resultados y las probabilidades de que los diferentes resultados aparezcan, nos ayuda a tomar decisiones adecuadamente. Dentro de la Gerencia y la Administración financiera serán de gran ayuda pues se logrará tener un mapa que pueda medir el riesgo y beneficios de las decisiones tomadas, claramente será de mayor precisión en cuanto se pueda contar con la mayor cantidad de información posible que nos permita elegir las opciones que minimicen el riesgo y maximicen los beneficios. La técnica del Árbol de decisiones facilitará la representación y análisis de diferentes situaciones futuras de forma secuencial a través del tiempo, es de gran utilidad cuando se debe optimizar diferentes decisiones. La técnica del Árbol de Decisiones involucra varias alternativas, de tal manera que es necesaria la identificación de todas para optimizar los resultados a obtener. Debemos tomar muy en cuenta las probabilidades de ocurrencia de cada una de las consecuencias de las decisiones, cuanta mayor información tengamos de las posibles consecuencias entonces serán más exactas las predicciones y mejores las decisiones a tomar; será de gran utilidad si se examinan decisiones de inversión o de financiamiento.

×