Árvores de decisão são diagramas que tentam exibir a gama de resultados possíveis e decisões subsequentes tomadas após uma decisão inicial. Por exemplo, sua decisão original pode ser se deve frequentar a faculdade, e a árvore pode tentar mostrar quanto tempo seria gasto fazendo diferentes atividades e seu poder de ganho baseado na sua decisão. Existem vários prós e contras notáveis no uso de árvores de decisão.
Um dos aspectos mais úteis das árvores de decisão é que elas forçam você a considerar o máximo possível de resultados de uma decisão. Pode ser perigoso tomar decisões impulsivas sem considerar a gama de consequências. Uma árvore de decisão pode ajudar a pesar as consequências prováveis de uma decisão contra outra. Em alguns casos, pode até ajudar a estimar payoffs esperados de decisões. Por exemplo, se você criar estimativas de valor em dólar de todos os resultados e probabilidades associadas a cada resultado, pode usar esses números para calcular qual decisão inicial levará ao maior payoff financeiro médio. Árvores de decisão fornecem uma estrutura para considerar a probabilidade e payoffs de decisões, o que pode ajudar a analisar uma decisão para tomar a mais informada possível.
Uma desvantagem do uso de árvores de decisão é que os resultados de decisões, decisões subsequentes e payoffs podem ser baseados principalmente em expectativas. Quando decisões reais são tomadas, os payoffs e decisões resultantes podem não ser os mesmos que você planejou. Pode ser impossível planejar para todas as contingências que podem surgir como resultado de uma decisão. Isso pode levar a uma árvore de decisão irreal que poderia guiá-lo para uma má decisão. Além disso, eventos inesperados podem alterar decisões e mudar os payoffs em uma árvore de decisão. Por exemplo, se você espera que seus pais paguem metade da faculdade ao decidir ir, mas depois descobre que terá que pagar toda a mensalidade, seus payoffs esperados serão dramaticamente diferentes da realidade.
Árvores de decisão são relativamente fáceis de entender quando há poucas decisões e resultados incluídos na árvore. Árvores grandes que incluem dezenas de nós de decisão (pontos onde novas decisões são tomadas) podem ser convolutas e ter valor limitado. Quanto mais decisões há em uma árvore, menos precisos quaisquer resultados esperados provavelmente serão. Por exemplo, se você fizer uma árvore mapeando a decisão de ir para a faculdade, provavelmente não conseguirá prever com precisão as chances de ganhar mais de $100.000 em dez anos, mas pode conseguir estimar seu poder de ganho após sair da faculdade.
Tecnologia Eletrônica © [www.351231.com]
