O que é o Decision Tree Simulator

Uma árvore de decisão é um modelo em forma de árvore com as decisões e suas consequências possíveis, incluindo eventos de acaso, custos e utilidade. ^[2] O Decision Tree Simulator monta essas árvores, executa e documenta. ^[1] É um único arquivo HTML, que funciona no navegador, sem instalação nem conta.

Abrir o Decision Tree Simulator →

Por que desenhar uma decisão em vez de só pensar nela? Porque a árvore obriga a separar o que você escolhe do que não controla, e a dar um número a cada hipótese. Ao passar a decisão para a árvore, as hipóteses ficam à vista e podem ser discutidas. A árvore ajuda mesmo com poucos dados concretos. ^[2]

A área que estuda esse tipo de problema se chama análise de decisão: o termo foi usado por Ronald A. Howard em um artigo de 1966, e Howard Raiffa publicou um texto introdutório em 1968. ^[3]

O trabalho acontece em três modos, escolhidos no alto da tela:

Editar

Montar a árvore, preencher os campos e declarar as variáveis.

Simular

Percorrer passo a passo e ver valor esperado, caminhos, Monte Carlo e sensibilidade.

Documentar

Ler, imprimir e exportar a documentação gerada a partir da árvore.

Como o app trata os seus dados

• Nada sai do seu computador. O arquivo bloqueia conexões de rede.
• A árvore fica no navegador. Ela é guardada automaticamente e reaparece ao reabrir o app. Para ter uma cópia própria, salve em JSON.
• Árvores não executam código. As expressões passam por um interpretador próprio, então abrir um arquivo recebido de outra pessoa não roda JavaScript.

Exemplos prontos

Em Arquivo ▾, o grupo Exemplos traz três árvores. Todos os valores são fictícios.

• Lançar um produto: decisões em sequência, com um teste de mercado no meio.
• Triagem de chamado: regras com dados de entrada, e valor em horas, que se minimiza.
• Conceder crédito: regra por escore, variável alterada em um ramo e distribuição no Monte Carlo.

Os quatro nós

A notação usual tem três símbolos: quadrado para decisão, círculo para acaso e triângulo para o fim. ^[2] O app usa esses três como ícones e acrescenta a regra, para os casos em que nada precisa ser escolhido nem sorteado, porque os dados já definem o caminho.

Sua primeira árvore: consertar ou trocar

Em cerca de 20 minutos, você vai decidir o que fazer com um notebook com defeito. Se estiver na garantia, o conserto é gratuito. Fora dela, você pode pagar R$ 800 por um conserto que resolve em 70% dos casos, com o risco de precisar comprar outro mesmo assim, ou trocar logo por R$ 3.000. Os valores são fictícios. Como tudo é custo, o objetivo é minimizar.

1. Configure a árvore

1. Se o app abrir com outra árvore, use Arquivo ▾ → Novo.
2. No painel direito, preencha Nome com Notebook com defeito.
3. Em Objetivo, escolha Minimizar o valor.
4. Em Unidade do valor, digite R$.

2. Declare as variáveis

Variáveis deixam os números em um só lugar. Abra a aba Variáveis e clique em + Nova variável uma vez para cada linha.

3. Monte a árvore

1. No centro da tela, clique em Começar com: Regra, digite Está na garantia? e pressione Enter.
2. Para cada linha da tabela, clique no nó de origem e depois no + que aparece na borda dele. No menu, escolha o tipo, digite o texto e pressione Enter.
3. Com o nó novo selecionado, preencha os campos no painel direito. Se a árvore sair da tela, clique em Ajustar.

4. Verifique

Abra a aba Verificar. Deve aparecer Nenhum problema encontrado. A raiz mostra VE R$ 1.700. Se o número for outro, confira os campos da tabela.

5. Percorra passo a passo

1. Clique em Simular. O painel pede o dado de entrada: mantenha false e clique em Iniciar.
2. Clique em Passo. A regra avalia a condição, e o caminho segue pelo ramo Não.
3. O painel pede sua escolha. Clique em Consertar. O acumulado passa a R$ 800.
4. Clique em Passo. Com a semente 12345, o sorteio dá 0,9797, e o ramo sorteado é Não resolve.
5. Clique em Passo de novo. O caminho termina em Compra um novo, com total de R$ 3.800.

Note que o valor esperado de R$ 1.700 não aconteceu: neste caminho você gastou R$ 3.800, e no outro gastaria R$ 800. O valor esperado é a média ponderada, não uma previsão do que vai ocorrer. ^[4]

6. Compare as alternativas

Abra a aba Valor esperado. Consertar vale R$ 1.700 (de R$ 800 a R$ 3.800) e trocar vale R$ 3.000, sem variação. Consertar custa R$ 1.300 a menos em média, mas tem 30% de chance de sair mais caro que trocar. A árvore não decide por você se esse risco é aceitável: ela o deixa visível.

7. Rode o Monte Carlo

Abra a aba Monte Carlo e clique em Executar. Com 5.000 execuções e semente 12345, medimos média de R$ 1.857,4, com margem de ± R$ 38,73. A média passa de 1.700 porque o custo do conserto agora é sorteado da distribuição, cuja média é 933, e não 800.

8. Procure o ponto de virada

Abra a aba Sensibilidade, escolha p_resolve em Variável e clique em Calcular. O app indica a virada em p_resolve ≈ 0,2667. Confira à mão: 800 + (1 − p) × 3000 = 3000 dá p ≈ 0,2667. Logo, consertar continua melhor mesmo se a chance de resolver for bem menor que os 70% estimados, e isso diz mais que o número 1.700.

9. Gere o documento

Clique em Documentar. O documento já traz diagrama, procedimento, tabela de regras, dicionários e análises. Use Imprimir / PDF para imprimir ou gerar o PDF.

A interface

Desenhar e organizar

• Criar um filho: clique no + da borda do nó e escolha o tipo, ou selecione o nó e use as teclas D, C, R ou O.
• Editar texto: clique duplo no nó ou no rótulo do ramo. No toque, toque duas vezes.
• Mudar de pai: arraste o nó sobre outro nó, ou arraste o + de um nó até outro. O nó leva tudo o que está abaixo dele. O app recusa ligações que criariam um ciclo.
• Reordenar ramos: use as setas em Ramos de saída. Em uma regra, a ordem muda o resultado.
• Recolher: clique no − no canto do nó para esconder o que está abaixo. O nó passa a mostrar quantos ficaram escondidos.
• Layout: o layout é automático até você arrastar um nó para um espaço vazio. Aí ele passa a ser manual, até você usar Organizar ▾ → Reorganizar agora. O mesmo menu troca entre Na horizontal e Na vertical.

Cada nó tem um único pai, e os caminhos só se abrem, nunca se juntam, como é próprio de uma árvore. ^[2] Se dois caminhos levam à mesma situação, copie o ramo com Copiar ramo e Colar como filho.

Nós e ramos: os campos

Um ramo pertence ao nó de destino. Por isso, os campos do ramo aparecem quando você seleciona o filho, ou clica na linha.

Variáveis e expressões

Em cada variável, Valor é o usado na análise e no passo a passo. Distribuição no Monte Carlo é opcional e só vale nas execuções do Monte Carlo. Marque Perguntar ao iniciar o passo a passo para informar o valor a cada simulação, e a análise é recalculada com ele.

Nas expressões, o decimal é com ponto, porque a vírgula separa argumentos: min(1.5, 2). Na análise, um sorteio vale a sua média.

Como o valor esperado é calculado

Valor esperado é a média dos valores possíveis, ponderada pelas probabilidades. ^[4] O app calcula da direita para a esquerda, começando nos resultados:

• Um resultado vale o total do caminho: valores dos ramos mais o valor dele.
• Uma incerteza vale a média dos ramos, ponderada pelas probabilidades.
• Uma decisão vale o melhor ramo disponível, conforme o objetivo. Em caso de empate, fica o primeiro.
• Uma regra vale o ramo escolhido pela condição, com os valores atuais das variáveis.

O resultado é um plano: o que escolher em cada decisão. No diagrama, os ramos escolhidos ficam verdes e mais grossos, e os descartados recebem //. O plano mostra a melhor escolha na média, sem considerar o quanto você tolera risco.

Verificar o modelo

A aba Verificar lista os problemas enquanto você edita. O número na aba mostra quantos há. Clique em um problema para ir até o nó. Erros impedem o cálculo daquela parte da árvore; alertas apontam algo provavelmente esquecido.

A verificação confere se o modelo pode ser calculado, não se ele está certo. Uma probabilidade errada, mas válida, passa sem aviso.

Simular passo a passo

Em Como executar, você escolhe quem decide:

• Decisões: eu escolho, seguir o plano da análise ou ao acaso.
• Incertezas: sorteio ou eu escolho o que acontece, para testar um caminho específico.
• Semente: a mesma semente repete os mesmos sorteios. Nova semente sorteia outra.

O passo a passo serve para conferir a lógica e explicar a árvore a outra pessoa: cada linha mostra as condições avaliadas, o número sorteado e as variáveis alteradas.

Caminhos

A aba Caminhos lista todos os caminhos da raiz até o fim, com probabilidade e total. Clique em uma linha para destacá-la no diagrama. O notebook tem 4 caminhos. A coluna de situação indica se o caminho está no plano, fora dele ou inativo com os valores atuais, como o ramo Sim da garantia.

A probabilidade conta só as incertezas do caminho, supondo que as decisões dele foram tomadas. Exportar CSV leva a lista para uma planilha.

Monte Carlo

O método de Monte Carlo obtém resultados numéricos por amostragem aleatória repetida. ^[5] Aqui, ele percorre a árvore muitas vezes, sorteando as incertezas e as distribuições das variáveis, e mostra a distribuição do total.

O plano é calculado uma vez, com os valores das variáveis, e fica fixo. Ele representa decidir antes de saber o valor sorteado. Por isso, a média pode diferir do valor esperado.

A tabela mostra duas coisas. Com quatro vezes mais execuções, a margem caiu à metade nesta medição. E, sem a distribuição, a média fica perto dos R$ 1.700 calculados; com ela, fica perto de 1.833, que é a média 933 do conserto mais 0,3 × 3.000. A margem mede o erro da amostragem. Ela não diz se as suas probabilidades estão certas.

Na tabela Como termina, a coluna Probabilidade traz o valor calculado, para comparar com a frequência. Ela mostra — quando uma distribuição altera probabilidades ou condições, porque aí o valor calculado não descreve as execuções. Mostrar frequências no diagrama engrossa os ramos mais percorridos.

Sensibilidade

Análise de sensibilidade estuda como a incerteza nas entradas de um modelo afeta o resultado. ^[6] Ela importa aqui porque árvores são instáveis: uma pequena mudança nos dados pode mudar bastante a melhor decisão. ^[2]

A aba Sensibilidade varia uma variável numérica, recalcula a análise em cada ponto e desenha o valor de cada alternativa da decisão escolhida. Em Pontos de virada, o app indica onde a melhor alternativa muda. Esses pontos são interpolados entre amostras vizinhas: aumente Pontos para mais precisão.

Se a virada estiver longe da sua estimativa, a decisão é robusta quanto a essa variável. Se estiver perto, vale buscar uma estimativa melhor antes de decidir.

Gerar a documentação

O documento é gerado a partir da árvore, no idioma ativo. Marque em Seções o que deve entrar.

Em Identificação, preencha autor, área, objetivo e escopo. Exporte com Imprimir / PDF, HTML, Markdown ou Copiar MD. No Markdown, o diagrama vai em Mermaid ^[7] e os gráficos ficam de fora.

Salvar, abrir e exportar

A árvore no navegador some se você limpar os dados do site. Salve em JSON o que importa.

Prompts de IA

Uma IA ajuda a sair da página em branco, a transformar um texto em árvore e a achar o que faltou. Ela também erra com segurança: inventa probabilidades, esquece alternativas e conta custos duas vezes. Trate a saída como rascunho de um colega apressado. Para escrever prompts melhores, veja o tutorial de prompts.

Antes de colar: decisões internas podem conter valores, nomes e estratégias sigilosas. Troque por dados fictícios e siga a política da sua organização para uso de IA. O app não envia nada para a rede, mas o serviço de IA recebe o que você colar nele.

Troque os trechos entre colchetes e cole na ferramenta de IA que você usa.

1. Entrevistar antes de montar

Faz a IA descobrir o que falta, em vez de supor. É o melhor começo quando a decisão ainda está na cabeça das pessoas.

Você é um analista de decisão experiente em árvores de decisão.
Quero estruturar esta decisão: [descreva em poucas frases].

Antes de propor qualquer árvore, me entreviste:
- Faça uma pergunta por vez e espere minha resposta.
- Cubra: o objetivo e como medi-lo (lucro, custo, prazo), se ele deve ser maximizado ou minimizado, as alternativas (inclusive não fazer nada), as incertezas de cada alternativa, o que se saberá antes de cada decisão, os critérios objetivos que definem um caminho sem precisar escolher, e os custos e ganhos.
- Para cada incerteza, garanta casos que se excluem e cobrem todas as possibilidades.
- Não invente números. Se eu não souber, registre como pendência.

Ao final, entregue: objetivo e unidade; alternativas; incertezas com seus casos; regras com suas condições; variáveis com valor ou pendência; a ordem dos acontecimentos.

2. Transformar um texto em regras

Para políticas, procedimentos e critérios de triagem. Pede a origem de cada regra e aponta os casos sem resposta.

A partir do texto abaixo, extraia regras para uma árvore de decisão.

Texto:
[cole a política, o procedimento ou a ata]

Entregue:
1. Tabela com: ordem, condição, resultado e o trecho do texto que sustenta a regra.
2. Dados necessários para avaliar as condições, com nome de variável e tipo.
3. Casos que o texto não cobre, e casos em que duas regras valem ao mesmo tempo.
4. Perguntas para esclarecer cada lacuna.

Regras:
- As condições são avaliadas em ordem, e vale a primeira verdadeira; indique se a ordem muda o resultado.
- Não preencha lacunas por conta própria. O que não estiver no texto vai para as perguntas.

3. Gerar a árvore em JSON

Transforma o que você reuniu em um arquivo que o app abre. Cole o resultado do prompt 1 ou 2 no fim.

Gere uma árvore de decisão em JSON para o Decision Tree Simulator, a partir das informações no fim.

Responda só com o JSON, sem comentários e sem cercas de código.

Formato:
- Raiz do arquivo: "app" (sempre "decision-tree-simulator"), "name", "objective" ("max" ou "min"), "unit", "vars", "root" (id do nó raiz) e "nodes".
- "nodes" é um objeto cujas chaves são os ids (n1, n2...). Todo nó tem "type", "text", "parent" (null só na raiz) e "kids" (lista de ids, na ordem dos ramos). Pai e filhos precisam concordar.
- "type" é "decision" (alguém escolhe), "chance" (o acaso escolhe), "rule" (uma condição escolhe) ou "outcome" (fim do caminho, sem filhos).
- Os dados do ramo ficam no nó filho: "label"; "cash" (valor somado ao passar pelo ramo); "prob" (se o pai for chance); "guard" (se o pai for rule).
- "prob": número de 0 a 1 ou expressão. Deixe "" em um único ramo para receber o restante. As probabilidades precisam somar 1.
- "guard": vale a primeira condição verdadeira, na ordem. Deixe "" no último ramo, como "senão".
- Em "outcome": "value" (obrigatório), "cat" (categoria) e "msg" (ação recomendada).
- "vars": lista com "name" (letras, números e _), "value", "desc" e, se fizer sentido, "dist" (triangular(a, m, b), normal(m, s), random(a, b)) e "ask" com "prompt" para dados informados a cada simulação.

Regras:
- Use decimal com ponto. Expressões aceitam + - * / ^, comparações, and, or, not, min, max e round.
- Ao maximizar lucro, custo é negativo. Ao minimizar custo, custo é positivo. Não conte o mesmo valor em dois lugares.
- Declare em "vars" toda variável usada, e prefira variáveis a repetir números.
- Em "desc", diga se o valor foi informado por mim ou é hipótese sua. Não invente fontes.

Exemplo do formato:
{
  "app": "decision-tree-simulator",
  "name": "Exemplo",
  "objective": "max",
  "unit": "R$",
  "vars": [
    {"name": "p_ok", "value": "0.6", "desc": "hipótese"}
  ],
  "root": "n1",
  "nodes": {
    "n1": {"type": "decision", "text": "Investir?", "parent": null, "kids": ["n2", "n5"]},
    "n2": {"type": "chance", "text": "Dá certo?", "parent": "n1", "kids": ["n3", "n4"], "label": "Investir", "cash": "-100"},
    "n3": {"type": "outcome", "text": "Retorno", "parent": "n2", "kids": [], "label": "Sim", "prob": "p_ok", "value": "300"},
    "n4": {"type": "outcome", "text": "Perda", "parent": "n2", "kids": [], "label": "Não", "prob": "", "value": "0"},
    "n5": {"type": "outcome", "text": "Sem investimento", "parent": "n1", "kids": [], "label": "Não investir", "value": "0"}
  }
}

Informações:
[cole o resultado do prompt 1 ou 2, ou descreva a decisão]

4. Estimar probabilidades e valores

Sem dados reais, qualquer número é hipótese. Este prompt deixa isso visível e prepara as distribuições do Monte Carlo.

Preciso de estimativas para esta árvore de decisão.

Decisão: [descreva]
Valores que faltam: [liste as variáveis e o que cada uma significa]

Para cada valor, entregue uma tabela com: mínimo, mais provável, máximo, em que você se baseou, o que me daria um número melhor e sua confiança (baixa, média ou alta).

Regras:
- Tudo é hipótese até eu confirmar. Diga isso claramente.
- Não cite estudos, números de mercado ou fontes que você não possa indicar com precisão. Sem base, diga "sem base" e dê só a faixa.
- Para cada variável, sugira a distribuição no formato triangular(mínimo, mais provável, máximo).
- Nas probabilidades de uma mesma incerteza, confira se os casos somam 100%. Se uma probabilidade depender de um teste anterior, confira se as probabilidades combinadas fazem sentido.
- Indique as 3 variáveis que eu deveria testar primeiro na análise de sensibilidade, e por quê.

5. Revisar a árvore

Cole o JSON salvo ou o Markdown da documentação. É uma segunda opinião sobre a estrutura, não uma aprovação.

Revise esta árvore de decisão como um analista de decisão experiente.

Árvore:
[cole o JSON ou o Markdown da documentação]

Procure:
- Alternativas que faltam, inclusive não fazer nada ou adiar.
- Ordem errada: decisões tomadas antes de uma informação que já estaria disponível, ou o contrário.
- Casos de uma incerteza que se sobrepõem ou não cobrem tudo.
- Probabilidades incoerentes entre ramos, ou otimistas sem justificativa.
- Valores contados duas vezes, unidades misturadas e sinal errado para o objetivo.
- Regras com lacunas, condições que nunca são alcançadas ou ordem que muda o resultado.
- Resultados que não são comparáveis entre si.

Entregue uma tabela com: número do nó, problema, por que importa, sugestão e gravidade (alta, média ou baixa). Não reescreva a árvore. Não confirme que está certa só porque não achou problemas: diga o que não dá para avaliar sem mais dados. Termine com as 3 perguntas que eu deveria responder antes de decidir.

6. Explicar o resultado

Cole o Markdown da documentação, com o Monte Carlo e a sensibilidade já executados, para quem vai decidir.

Explique o resultado desta análise para [público, como: diretoria, equipe, cliente].

Documentação:
[cole o Markdown gerado pelo app]

Escreva em até uma página:
1. A decisão, em uma frase.
2. A alternativa indicada e a diferença para a segunda.
3. O que pode dar errado, com a probabilidade e o valor de cada caso.
4. As hipóteses que mais pesam e os pontos de virada.
5. O que eu faria para reduzir a incerteza antes de decidir.

Regras:
- Use só números que estão no documento, sem criar novos.
- Valor esperado é média ponderada, não previsão: não escreva que "vamos ganhar" esse valor.
- Separe o que foi calculado do que é hipótese. Lembre que os números são resultado de um modelo, não medições.
- Sem jargão: explique Monte Carlo e sensibilidade em uma frase, se precisar citá-los.

Como abrir o JSON gerado no prompt 3

1. Copie a resposta da IA para um editor de texto e salve com a extensão .json, por exemplo arvore.json.
2. No app, use Arquivo ▾ → Abrir (.json)…. Se já houver uma árvore, confirme a substituição; salve antes o que quiser manter.
3. Abra a aba Verificar e confira cada alerta.

Atalhos de teclado

Os atalhos de edição valem com o foco no diagrama: clique nele antes, ou use Tab até chegar lá.

Erros comuns e limitações

Erros de modelagem

• Ler o valor esperado como previsão. No notebook, ninguém paga R$ 1.700: paga-se R$ 800 ou R$ 3.800.
• Contar duas vezes. Um custo no ramo e de novo no resultado entra duas vezes no total.
• Trocar o sinal. Custo positivo ao maximizar, ou negativo ao minimizar, inverte a recomendação.
• Casos que se sobrepõem. Os ramos de uma incerteza precisam ser excludentes e cobrir tudo. O app confere a soma, não o sentido.
• Confiar em um único número. As probabilidades são hipóteses suas: rode a sensibilidade nas que forem mais incertas.

Quando algo não funciona

Limitações

• Só árvores: sem laços nem caminhos que se juntam. Para processos com repetição, use o Flowchart Simulator. ^[8]
• A análise é neutra ao risco: compara médias, sem função de utilidade.
• Árvores grandes ficam difíceis de ler e de manter ^[2]; o app aceita até 2.000 nós, e as tabelas de caminhos na tela e no documento mostram até 500.
• O app não cria a árvore a partir de dados.

Revisão rápida

Tente responder antes de abrir cada pergunta.

Referências

1. Giovani Perotto Mesquita, “Decision Tree Simulator”, aplicativo em um único arquivo HTML, giovanipm.github.io/decision-tree-simulator.html.
2. Wikipedia (em inglês), “Decision tree”, acesso em 01/11/2026, en.wikipedia.org/wiki/Decision_tree.
3. Wikipedia (em inglês), “Decision analysis”, acesso em 01/11/2026, en.wikipedia.org/wiki/Decision_analysis.
4. Wikipedia (em inglês), “Expected value”, acesso em 01/11/2026, en.wikipedia.org/wiki/Expected_value.
5. Wikipedia (em inglês), “Monte Carlo method”, acesso em 01/11/2026, en.wikipedia.org/wiki/Monte_Carlo_method.
6. Wikipedia (em inglês), “Sensitivity analysis”, acesso em 01/11/2026, en.wikipedia.org/wiki/Sensitivity_analysis.
7. Mermaid, “Flowcharts Syntax”, documentação, acesso em 01/11/2026, mermaid.js.org/syntax/flowchart.html.
8. Giovani Perotto Mesquita, “Flowchart Simulator: tutorial”, tutorial deste site, giovanipm.github.io/FlowchartSimulator.html.

What Decision Tree Simulator is

A decision tree is a tree-shaped model of decisions and their possible consequences, including chance events, costs and utility. ^[2] Decision Tree Simulator builds these trees, runs them and documents them. ^[1] It is a single HTML file that works in the browser, with no installation or account.

Open Decision Tree Simulator →

Why draw a decision instead of just thinking about it? Because the tree forces you to separate what you choose from what you do not control, and to put a number on each assumption. Once the decision is in the tree, the assumptions are in plain sight and can be discussed. A tree is useful even with little hard data. ^[2]

The field that studies this kind of problem is called decision analysis: Ronald A. Howard used the term in a 1966 paper, and Howard Raiffa published an introductory text in 1968. ^[3]

The work happens in three modes, chosen at the top of the screen:

Edit

Build the tree, fill in the fields and declare the variables.

Simulate

Walk through step by step and see the expected value, paths, Monte Carlo and sensitivity.

Document

Read, print and export the documentation generated from the tree.

How the app handles your data

• Nothing leaves your computer. The file blocks network connections.
• The tree stays in the browser. It is stored automatically and comes back when you reopen the app. To keep your own copy, save it as JSON.
• Trees do not run code. Expressions go through the app's own interpreter, so opening a file from someone else does not run JavaScript.

Ready-made samples

Under File ▾, the Samples group has three trees. All values are made up.

• Launch a product: decisions in sequence, with a market test in the middle.
• Support ticket triage: rules with input data, and a value in hours, which is minimized.
• Grant credit: a score rule, a variable changed on a branch and a distribution in Monte Carlo.

The four nodes

The usual notation has three symbols: a square for a decision, a circle for chance and a triangle for the end. ^[2] The app uses these three as icons and adds the rule, for cases where nothing needs to be chosen or drawn because the data already sets the path.

Your first tree: repair or replace

In about 20 minutes, you will decide what to do with a faulty laptop. Under warranty, the repair is free. Otherwise, you can pay $800 for a repair that works in 70% of cases, with the risk of having to buy a new one anyway, or replace it right away for $3,000. The figures are made up. Since everything is a cost, the objective is to minimize.

1. Set up the tree

1. If the app opens with another tree, use File ▾ → New.
2. In the right panel, set Name to Faulty laptop.
3. Under Objective, pick Minimize the value.
4. Under Value unit, type $.

2. Declare the variables

Variables keep the numbers in one place. Open the Variables tab and click + New variable once for each row.

3. Build the tree

1. In the center of the screen, click Start with: Rule, type Under warranty? and press Enter.
2. For each table row, click the source node and then the + that appears on its edge. In the menu, pick the type, type the text and press Enter.
3. With the new node selected, fill in the fields in the right panel. If the tree leaves the screen, click Fit.

4. Check it

Open the Check tab. It should say No problems found. The root shows EV $ 1,700. If the number differs, review the table fields.

5. Walk through it step by step

1. Click Simulate. The panel asks for the input: keep false and click Start.
2. Click Step. The rule evaluates the condition, and the path takes the No branch.
3. The panel asks for your choice. Click Repair. The accumulated value becomes $800.
4. Click Step. With seed 12345, the draw is 0.9797 and the branch drawn is Does not work.
5. Click Step again. The path ends at Buy a new one, with a total of $3,800.

Note that the $1,700 expected value did not happen: on this path you spent $3,800, and on the other you would spend $800. The expected value is the weighted average, not a forecast of what will occur. ^[4]

6. Compare the alternatives

Open the Expected value tab. Repair is worth $1,700 (from $800 to $3,800) and replace is worth $3,000, with no variation. Repair costs $1,300 less on average, but has a 30% chance of costing more than replacing. The tree does not decide for you whether that risk is acceptable: it makes it visible.

7. Run Monte Carlo

Open the Monte Carlo tab and click Run. With 5,000 runs and seed 12345, we measured a mean of $1,857.4, with a margin of ± $38.73. The mean is above 1,700 because the repair cost is now drawn from the distribution, whose mean is 933, not 800.

8. Look for the turning point

Open the Sensitivity tab, pick p_fixed under Variable and click Calculate. The app shows the turning point at p_fixed ≈ 0.2667. Check by hand: 800 + (1 − p) × 3000 = 3000 gives p ≈ 0.2667. So repair stays better even if the chance of success is far below the estimated 70%, and that says more than the number 1,700.

9. Generate the document

Click Document. The document already has the diagram, procedure, rule table, dictionaries and analyses. Use Print / PDF to print it or create the PDF.

The interface

Drawing and arranging

• Add a child: click the + on the node's edge and pick the type, or select the node and use the D, C, R or O keys.
• Edit text: double-click the node or the branch label. On touch, tap twice.
• Change the parent: drag the node onto another node, or drag a node's + to another node. The node brings everything below it. The app refuses connections that would create a cycle.
• Reorder branches: use the arrows under Outgoing branches. In a rule, the order changes the result.
• Collapse: click the − in the node's corner to hide what is below it. The node then shows how many are hidden.
• Layout: the layout is automatic until you drag a node to an empty space. It then becomes manual, until you use Arrange ▾ → Rearrange now. The same menu switches between Horizontal and Vertical.

Each node has a single parent, and paths only split, never merge, as is proper for a tree. ^[2] If two paths lead to the same situation, copy the branch with Copy branch and Paste as child.

Nodes and branches: the fields

A branch belongs to its target node. That is why the branch fields appear when you select the child, or click the line.

Variables and expressions

For each variable, Value is the one used in the analysis and the step-by-step run. Distribution in Monte Carlo is optional and applies only to Monte Carlo runs. Tick Ask when the step-by-step run starts to enter the value on each simulation, and the analysis is recalculated with it.

In expressions, decimals use a point, because the comma separates arguments: min(1.5, 2). In the analysis, a draw counts as its mean.

How the expected value is calculated

The expected value is the mean of the possible values, weighted by their probabilities. ^[4] The app calculates from right to left, starting at the outcomes:

• An outcome is worth the path total: the branch values plus its own value.
• A chance node is worth the mean of its branches, weighted by the probabilities.
• A decision is worth its best available branch, according to the objective. On a tie, the first one stays.
• A rule is worth the branch its condition picks, with the current values of the variables.

The result is a plan: what to choose at each decision. On the diagram, chosen branches are green and thicker, and discarded ones get //. The plan shows the best choice on average, without considering how much risk you tolerate.

Checking the model

The Check tab lists problems as you edit. The number on the tab shows how many there are. Click a problem to go to the node. Errors prevent that part of the tree from being calculated; warnings point to something probably forgotten.

The check confirms that the model can be calculated, not that it is right. A wrong but valid probability passes with no warning.

Simulating step by step

Under How to run, you choose who decides:

• Decisions: I choose, follow the analysis plan or at random.
• Chance events: random draw or I choose what happens, to test a specific path.
• Seed: the same seed repeats the same draws. New seed draws another one.

The step-by-step run is for checking the logic and explaining the tree to someone else: each row shows the conditions evaluated, the number drawn and the variables changed.

Paths

The Paths tab lists every path from the root to the end, with probability and total. Click a row to highlight it on the diagram. The laptop has 4 paths. The status column says whether the path is in the plan, off the plan or inactive with the current values, like the warranty's Yes branch.

The probability counts only the chance events on the path, assuming its decisions were made. Export CSV takes the list to a spreadsheet.

Monte Carlo

The Monte Carlo method obtains numerical results through repeated random sampling. ^[5] Here, it walks the tree many times, drawing the chance events and the variable distributions, and shows the distribution of the total.

The plan is calculated once, from the variable values, and stays fixed. It represents deciding before knowing the value drawn. That is why the mean can differ from the expected value.

The table shows two things. With four times as many runs, the margin fell by half in this measurement. And without the distribution, the mean is close to the calculated $1,700; with it, the mean is close to 1,833, which is the repair's mean of 933 plus 0.3 × 3,000. The margin measures sampling error. It does not say whether your probabilities are right.

In the How it ends table, the Probability column has the calculated value, to compare with the frequency. It shows — when a distribution changes probabilities or conditions, because then the calculated value does not describe the runs. Show frequencies on the diagram thickens the branches taken most often.

Sensitivity

Sensitivity analysis studies how the uncertainty in a model's inputs affects its output. ^[6] It matters here because trees are unstable: a small change in the data can greatly change the best decision. ^[2]

The Sensitivity tab varies one numeric variable, recalculates the analysis at each point and draws the value of each alternative of the chosen decision. Under Turning points, the app shows where the best alternative changes. These points are interpolated between neighboring samples: raise Points for more precision.

If the turning point is far from your estimate, the decision is robust to that variable. If it is close, it is worth seeking a better estimate before deciding.

Generating the documentation

The document is generated from the tree, in the active language. Tick under Sections what should go in.

Under Identification, fill in author, area, purpose and scope. Export with Print / PDF, HTML, Markdown or Copy MD. In Markdown, the diagram goes as Mermaid ^[7] and the charts are left out.

Saving, opening and exporting

The tree in the browser disappears if you clear the site's data. Save what matters as JSON.

AI prompts

An AI helps you get past the blank page, turn a text into a tree and find what is missing. It also makes confident mistakes: it invents probabilities, forgets alternatives and counts costs twice. Treat its output as a draft from a colleague in a hurry. To write better prompts, see the prompt tutorial.

Before pasting: internal decisions may contain confidential figures, names and strategies. Replace them with made-up data and follow your organization's AI policy. The app sends nothing over the network, but the AI service receives whatever you paste into it.

Replace the parts in brackets and paste into the AI tool you use.

1. Interview before building

Makes the AI find out what is missing instead of assuming. It is the best start when the decision is still in people's heads.

You are a decision analyst experienced with decision trees.
I want to structure this decision: [describe in a few sentences].

Before proposing any tree, interview me:
- Ask one question at a time and wait for my answer.
- Cover: the objective and how to measure it (profit, cost, time), whether to maximize or minimize it, the alternatives (including doing nothing), the uncertainties of each alternative, what will be known before each decision, the objective criteria that set a path with no need to choose, and the costs and gains.
- For each uncertainty, make sure the cases exclude each other and cover every possibility.
- Do not invent numbers. If I do not know, record it as an open item.

At the end, deliver: objective and unit; alternatives; uncertainties with their cases; rules with their conditions; variables with a value or open item; the order of events.

2. Turn a text into rules

For policies, procedures and triage criteria. It asks for the source of each rule and points out cases with no answer.

From the text below, extract rules for a decision tree.

Text:
[paste the policy, procedure or minutes]

Deliver:
1. A table with: order, condition, result and the passage of the text that supports the rule.
2. The data needed to evaluate the conditions, with variable name and type.
3. Cases the text does not cover, and cases where two rules apply at once.
4. Questions to clarify each gap.

Rules:
- Conditions are evaluated in order, and the first true one wins; say whether the order changes the result.
- Do not fill gaps on your own. Whatever is not in the text goes to the questions.

3. Generate the tree as JSON

Turns what you gathered into a file the app opens. Paste the result of prompt 1 or 2 at the end.

Generate a decision tree as JSON for Decision Tree Simulator, from the information at the end.

Answer with the JSON only, no comments and no code fences.

Format:
- File root: "app" (always "decision-tree-simulator"), "name", "objective" ("max" or "min"), "unit", "vars", "root" (id of the root node) and "nodes".
- "nodes" is an object whose keys are the ids (n1, n2...). Every node has "type", "text", "parent" (null only at the root) and "kids" (list of ids, in branch order). Parent and children must agree.
- "type" is "decision" (someone chooses), "chance" (chance chooses), "rule" (a condition chooses) or "outcome" (end of the path, with no children).
- Branch data goes on the child node: "label"; "cash" (value added when taking the branch); "prob" (if the parent is chance); "guard" (if the parent is rule).
- "prob": a number from 0 to 1 or an expression. Leave "" on a single branch to receive the remainder. The probabilities must add up to 1.
- "guard": the first true condition wins, in order. Leave "" on the last branch, as the "otherwise".
- In "outcome": "value" (required), "cat" (category) and "msg" (recommended action).
- "vars": a list with "name" (letters, digits and _), "value", "desc" and, where it makes sense, "dist" (triangular(a, m, b), normal(m, s), random(a, b)) and "ask" with "prompt" for data entered on each simulation.

Rules:
- Use a point for decimals. Expressions accept + - * / ^, comparisons, and, or, not, min, max and round.
- When maximizing profit, a cost is negative. When minimizing cost, a cost is positive. Do not count the same value in two places.
- Declare in "vars" every variable used, and prefer variables to repeating numbers.
- In "desc", say whether the value came from me or is your assumption. Do not invent sources.

Format example:
{
  "app": "decision-tree-simulator",
  "name": "Example",
  "objective": "max",
  "unit": "$",
  "vars": [
    {"name": "p_ok", "value": "0.6", "desc": "assumption"}
  ],
  "root": "n1",
  "nodes": {
    "n1": {"type": "decision", "text": "Invest?", "parent": null, "kids": ["n2", "n5"]},
    "n2": {"type": "chance", "text": "Does it work?", "parent": "n1", "kids": ["n3", "n4"], "label": "Invest", "cash": "-100"},
    "n3": {"type": "outcome", "text": "Return", "parent": "n2", "kids": [], "label": "Yes", "prob": "p_ok", "value": "300"},
    "n4": {"type": "outcome", "text": "Loss", "parent": "n2", "kids": [], "label": "No", "prob": "", "value": "0"},
    "n5": {"type": "outcome", "text": "No investment", "parent": "n1", "kids": [], "label": "Do not invest", "value": "0"}
  }
}

Information:
[paste the result of prompt 1 or 2, or describe the decision]

4. Estimate probabilities and values

Without real data, any number is an assumption. This prompt makes that visible and prepares the Monte Carlo distributions.

I need estimates for this decision tree.

Decision: [describe]
Missing values: [list the variables and what each one means]

For each value, deliver a table with: minimum, most likely, maximum, what you based it on, what would give me a better number and your confidence (low, medium or high).

Rules:
- Everything is an assumption until I confirm it. Say so clearly.
- Do not cite studies, market figures or sources you cannot point to precisely. With no basis, say "no basis" and give only the range.
- For each variable, suggest the distribution in the form triangular(minimum, most likely, maximum).
- For the probabilities of one uncertainty, check that the cases add up to 100%. If a probability depends on an earlier test, check that the combined probabilities make sense.
- Name the 3 variables I should test first in the sensitivity analysis, and why.

5. Review the tree

Paste the saved JSON or the documentation Markdown. It is a second opinion on the structure, not an approval.

Review this decision tree as an experienced decision analyst.

Tree:
[paste the JSON or the documentation Markdown]

Look for:
- Missing alternatives, including doing nothing or postponing.
- Wrong order: decisions made before information that would already be available, or the reverse.
- Cases of an uncertainty that overlap or do not cover everything.
- Probabilities that are inconsistent across branches, or optimistic with no justification.
- Values counted twice, mixed units and the wrong sign for the objective.
- Rules with gaps, conditions never reached or an order that changes the result.
- Outcomes that cannot be compared with each other.

Deliver a table with: node number, problem, why it matters, suggestion and severity (high, medium or low). Do not rewrite the tree. Do not confirm it is right just because you found no problems: say what cannot be assessed without more data. End with the 3 questions I should answer before deciding.

6. Explain the result

Paste the documentation Markdown, with Monte Carlo and sensitivity already run, for whoever will decide.

Explain the result of this analysis for [audience, such as: board, team, client].

Documentation:
[paste the Markdown generated by the app]

Write up to one page:
1. The decision, in one sentence.
2. The indicated alternative and the gap to the second one.
3. What can go wrong, with the probability and value of each case.
4. The assumptions that weigh most and the turning points.
5. What I would do to reduce the uncertainty before deciding.

Rules:
- Use only numbers in the document, and create no new ones.
- Expected value is a weighted average, not a forecast: do not write that "we will earn" that amount.
- Separate what was calculated from what is an assumption. Remember the numbers are model results, not measurements.
- No jargon: explain Monte Carlo and sensitivity in one sentence if you need to mention them.

How to open the JSON from prompt 3

1. Copy the AI's answer into a text editor and save it with the .json extension, for example tree.json.
2. In the app, use File ▾ → Open (.json)…. If there is already a tree, confirm the replacement; save first whatever you want to keep.
3. Open the Check tab and review each warning.

Keyboard shortcuts

The editing shortcuts work with the focus on the diagram: click it first, or use Tab to reach it.

Common mistakes and limitations

Modeling mistakes

• Reading the expected value as a forecast. With the laptop, nobody pays $1,700: you pay $800 or $3,800.
• Counting twice. A cost on the branch and again on the outcome enters the total twice.
• Using the wrong sign. A positive cost when maximizing, or a negative one when minimizing, reverses the recommendation.
• Overlapping cases. The branches of a chance node must be exclusive and cover everything. The app checks the sum, not the meaning.
• Trusting a single number. The probabilities are your assumptions: run the sensitivity on the most uncertain ones.

When something does not work

Limitations

• Trees only: no loops or merging paths. For processes with repetition, use Flowchart Simulator. ^[8]
• The analysis is risk-neutral: it compares means, with no utility function.
• Large trees get hard to read and maintain ^[2]; the app accepts up to 2,000 nodes, and the path tables on screen and in the document show up to 500.
• The app does not create the tree from data.

Quick review

Try to answer before opening each question.

References

1. Giovani Perotto Mesquita, “Decision Tree Simulator”, single-file HTML app, giovanipm.github.io/decision-tree-simulator.html.
2. Wikipedia, “Decision tree”, accessed 1 November 2026, en.wikipedia.org/wiki/Decision_tree.
3. Wikipedia, “Decision analysis”, accessed 1 November 2026, en.wikipedia.org/wiki/Decision_analysis.
4. Wikipedia, “Expected value”, accessed 1 November 2026, en.wikipedia.org/wiki/Expected_value.
5. Wikipedia, “Monte Carlo method”, accessed 1 November 2026, en.wikipedia.org/wiki/Monte_Carlo_method.
6. Wikipedia, “Sensitivity analysis”, accessed 1 November 2026, en.wikipedia.org/wiki/Sensitivity_analysis.
7. Mermaid, “Flowcharts Syntax”, documentation, accessed 1 November 2026, mermaid.js.org/syntax/flowchart.html.
8. Giovani Perotto Mesquita, “Flowchart Simulator: tutorial”, tutorial on this site, giovanipm.github.io/FlowchartSimulator.html.

Che cos'è Decision Tree Simulator

Un albero decisionale è un modello ad albero delle decisioni e delle loro possibili conseguenze, compresi eventi casuali, costi e utilità. ^[2] Decision Tree Simulator costruisce questi alberi, li esegue e li documenta. ^[1] È un unico file HTML che funziona nel browser, senza installazione né account.

Apri Decision Tree Simulator →

Perché disegnare una decisione invece di limitarsi a pensarci? Perché l'albero obbliga a separare ciò che scegli da ciò che non controlli, e a dare un numero a ogni ipotesi. Una volta nell'albero, le ipotesi sono in vista e si possono discutere. L'albero è utile anche con pochi dati concreti. ^[2]

Il campo che studia questo tipo di problema si chiama analisi delle decisioni: Ronald A. Howard usò il termine in un articolo del 1966, e Howard Raiffa pubblicò un testo introduttivo nel 1968. ^[3]

Il lavoro si svolge in tre modalità, scelte in alto nella schermata:

Modifica

Costruire l'albero, compilare i campi e dichiarare le variabili.

Simula

Percorrere passo per passo e vedere valore atteso, percorsi, Monte Carlo e sensibilità.

Documenta

Leggere, stampare ed esportare la documentazione generata dall'albero.

Come l'app tratta i tuoi dati

• Nulla esce dal tuo computer. Il file blocca le connessioni di rete.
• L'albero resta nel browser. Viene salvato automaticamente e riappare quando riapri l'app. Per averne una copia tua, salvalo in JSON.
• Gli alberi non eseguono codice. Le espressioni passano per un interprete proprio, quindi aprire un file ricevuto da altri non esegue JavaScript.

Esempi pronti

In File ▾, il gruppo Esempi offre tre alberi. Tutti i valori sono fittizi.

• Lanciare un prodotto: decisioni in sequenza, con un test di mercato nel mezzo.
• Triage dei ticket: regole con dati di input e un valore in ore, da minimizzare.
• Concedere credito: regola per punteggio, variabile modificata su un ramo e distribuzione nel Monte Carlo.

I quattro nodi

La notazione abituale ha tre simboli: un quadrato per la decisione, un cerchio per il caso e un triangolo per la fine. ^[2] L'app usa questi tre come icone e aggiunge la regola, per i casi in cui non serve scegliere né estrarre nulla, perché i dati definiscono già il percorso.

Il tuo primo albero: riparare o sostituire

In circa 20 minuti, deciderai cosa fare con un portatile guasto. In garanzia, la riparazione è gratuita. Altrimenti, puoi pagare 800 € per una riparazione che funziona nel 70% dei casi, con il rischio di doverne comprare uno nuovo comunque, oppure sostituirlo subito per 3.000 €. I valori sono fittizi. Poiché tutto è un costo, l'obiettivo è minimizzare.

1. Configura l'albero

1. Se l'app si apre con un altro albero, usa File ▾ → Nuovo.
2. Nel pannello destro, compila Nome con Portatile guasto.
3. In Obiettivo, scegli Minimizzare il valore.
4. In Unità del valore, digita €.

2. Dichiara le variabili

Le variabili tengono i numeri in un solo posto. Apri la scheda Variabili e fai clic su + Nuova variabile una volta per ogni riga.

3. Costruisci l'albero

1. Al centro della schermata, fai clic su Inizia con: Regola, digita È in garanzia? e premi Invio.
2. Per ogni riga della tabella, fai clic sul nodo di origine e poi sul + che appare sul suo bordo. Nel menu, scegli il tipo, digita il testo e premi Invio.
3. Con il nuovo nodo selezionato, compila i campi nel pannello destro. Se l'albero esce dallo schermo, fai clic su Adatta.

4. Verifica

Apri la scheda Verifica. Deve apparire Nessun problema trovato. La radice mostra VA € 1700. Se il numero è diverso, controlla i campi della tabella.

5. Percorri passo per passo

1. Fai clic su Simula. Il pannello chiede il dato di input: lascia false e fai clic su Avvia.
2. Fai clic su Passo. La regola valuta la condizione e il percorso segue il ramo No.
3. Il pannello chiede la tua scelta. Fai clic su Ripara. L'accumulato passa a 800 €.
4. Fai clic su Passo. Con il seme 12345, l'estrazione dà 0,9797 e il ramo estratto è Non funziona.
5. Fai di nuovo clic su Passo. Il percorso finisce in Ne compra uno nuovo, con un totale di 3.800 €.

Nota che il valore atteso di 1.700 € non si è verificato: su questo percorso hai speso 3.800 €, e sull'altro spenderesti 800 €. Il valore atteso è la media ponderata, non una previsione di ciò che accadrà. ^[4]

6. Confronta le alternative

Apri la scheda Valore atteso. Riparare vale 1.700 € (da 800 € a 3.800 €) e sostituire vale 3.000 €, senza variazioni. Riparare costa in media 1.300 € in meno, ma ha il 30% di probabilità di costare più che sostituire. L'albero non decide per te se questo rischio è accettabile: lo rende visibile.

7. Esegui il Monte Carlo

Apri la scheda Monte Carlo e fai clic su Esegui. Con 5.000 esecuzioni e seme 12345, abbiamo misurato una media di 1.857,4 €, con un margine di ± 38,73 €. La media supera 1.700 perché il costo della riparazione viene ora estratto dalla distribuzione, la cui media è 933 e non 800.

8. Cerca il punto di svolta

Apri la scheda Sensibilità, scegli p_risolve in Variabile e fai clic su Calcola. L'app indica la svolta a p_risolve ≈ 0,2667. Controlla a mano: 800 + (1 − p) × 3000 = 3000 dà p ≈ 0,2667. Quindi riparare resta meglio anche se la probabilità di riuscita è molto inferiore al 70% stimato, e questo dice più del numero 1.700.

9. Genera il documento

Fai clic su Documenta. Il documento contiene già diagramma, procedura, tabella delle regole, dizionari e analisi. Usa Stampa / PDF per stamparlo o creare il PDF.

L'interfaccia

Disegnare e disporre

• Aggiungere un figlio: fai clic sul + sul bordo del nodo e scegli il tipo, oppure seleziona il nodo e usa i tasti D, C, R o O.
• Modificare il testo: doppio clic sul nodo o sull'etichetta del ramo. Sul touch, tocca due volte.
• Cambiare padre: trascina il nodo su un altro nodo, o trascina il + di un nodo su un altro. Il nodo porta con sé tutto ciò che sta sotto. L'app rifiuta i collegamenti che creerebbero un ciclo.
• Riordinare i rami: usa le frecce in Rami in uscita. In una regola, l'ordine cambia il risultato.
• Comprimere: fai clic sul − nell'angolo del nodo per nascondere ciò che sta sotto. Il nodo mostra poi quanti ne sono nascosti.
• Layout: il layout è automatico finché non trascini un nodo in uno spazio vuoto. Allora diventa manuale, finché non usi Disponi ▾ → Riordina ora. Lo stesso menu passa da In orizzontale a In verticale.

Ogni nodo ha un solo padre, e i percorsi si aprono soltanto, senza mai riunirsi, come è proprio di un albero. ^[2] Se due percorsi portano alla stessa situazione, copia il ramo con Copia ramo e Incolla come figlio.

Nodi e rami: i campi

Un ramo appartiene al nodo di destinazione. Per questo i campi del ramo appaiono quando selezioni il figlio o fai clic sulla linea.

Variabili ed espressioni

In ogni variabile, Valore è quello usato nell'analisi e nel passo per passo. Distribuzione nel Monte Carlo è facoltativa e vale solo nelle esecuzioni Monte Carlo. Seleziona Chiedi all'avvio del passo per passo per inserire il valore a ogni simulazione: l'analisi viene ricalcolata con esso.

Nelle espressioni, i decimali usano il punto, perché la virgola separa gli argomenti: min(1.5, 2). Nell'analisi, un'estrazione vale la sua media.

Come si calcola il valore atteso

Il valore atteso è la media dei valori possibili, ponderata per le probabilità. ^[4] L'app calcola da destra a sinistra, partendo dagli esiti:

• Un esito vale il totale del percorso: i valori dei rami più il suo valore.
• Un'incertezza vale la media dei rami, ponderata per le probabilità.
• Una decisione vale il miglior ramo disponibile, secondo l'obiettivo. In caso di parità, resta il primo.
• Una regola vale il ramo scelto dalla condizione, con i valori attuali delle variabili.

Il risultato è un piano: cosa scegliere in ogni decisione. Sul diagramma, i rami scelti sono verdi e più spessi, e quelli scartati ricevono //. Il piano mostra la scelta migliore in media, senza considerare quanto rischio tolleri.

Verificare il modello

La scheda Verifica elenca i problemi mentre modifichi. Il numero sulla scheda indica quanti sono. Fai clic su un problema per andare al nodo. Gli errori impediscono il calcolo di quella parte dell'albero; gli avvisi segnalano qualcosa di probabilmente dimenticato.

La verifica controlla che il modello si possa calcolare, non che sia giusto. Una probabilità sbagliata ma valida passa senza avvisi.

Simulare passo per passo

In Come eseguire, scegli chi decide:

• Decisioni: scelgo io, seguire il piano dell'analisi o a caso.
• Incertezze: estrazione o scelgo io cosa succede, per provare un percorso specifico.
• Seme: lo stesso seme ripete le stesse estrazioni. Nuovo seme ne estrae un altro.

Il passo per passo serve a controllare la logica e a spiegare l'albero a qualcun altro: ogni riga mostra le condizioni valutate, il numero estratto e le variabili modificate.

Percorsi

La scheda Percorsi elenca tutti i percorsi dalla radice alla fine, con probabilità e totale. Fai clic su una riga per evidenziarla sul diagramma. Il portatile ha 4 percorsi. La colonna di stato indica se il percorso è nel piano, fuori dal piano o inattivo con i valori attuali, come il ramo Sì della garanzia.

La probabilità conta solo le incertezze del percorso, supponendo prese le sue decisioni. Esporta CSV porta l'elenco in un foglio di calcolo.

Monte Carlo

Il metodo Monte Carlo ottiene risultati numerici tramite campionamento casuale ripetuto. ^[5] Qui, percorre l'albero molte volte, estraendo le incertezze e le distribuzioni delle variabili, e mostra la distribuzione del totale.

Il piano viene calcolato una volta, dai valori delle variabili, e resta fisso. Rappresenta il decidere prima di conoscere il valore estratto. Per questo la media può differire dal valore atteso.

La tabella mostra due cose. Con quattro volte più esecuzioni, in questa misura il margine si è dimezzato. E senza la distribuzione la media è vicina ai 1.700 € calcolati; con essa, è vicina a 1.833, cioè la media 933 della riparazione più 0,3 × 3.000. Il margine misura l'errore di campionamento. Non dice se le tue probabilità sono giuste.

Nella tabella Come finisce, la colonna Probabilità riporta il valore calcolato, da confrontare con la frequenza. Mostra — quando una distribuzione modifica probabilità o condizioni, perché allora il valore calcolato non descrive le esecuzioni. Mostra frequenze sul diagramma ingrossa i rami più percorsi.

Sensibilità

L'analisi di sensibilità studia come l'incertezza negli input di un modello influisce sul risultato. ^[6] Qui conta perché gli alberi sono instabili: una piccola variazione nei dati può cambiare molto la decisione migliore. ^[2]

La scheda Sensibilità fa variare una variabile numerica, ricalcola l'analisi a ogni punto e disegna il valore di ogni alternativa della decisione scelta. In Punti di svolta, l'app indica dove cambia l'alternativa migliore. Questi punti sono interpolati tra campioni vicini: aumenta Punti per maggiore precisione.

Se la svolta è lontana dalla tua stima, la decisione è robusta rispetto a quella variabile. Se è vicina, conviene cercare una stima migliore prima di decidere.

Generare la documentazione

Il documento è generato dall'albero, nella lingua attiva. Seleziona in Sezioni cosa deve entrare.

In Identificazione, compila autore, area, scopo e ambito. Esporta con Stampa / PDF, HTML, Markdown o Copia MD. In Markdown, il diagramma va in Mermaid ^[7] e i grafici restano fuori.

Salvare, aprire ed esportare

L'albero nel browser sparisce se cancelli i dati del sito. Salva in JSON ciò che conta.

Prompt di IA

Un'IA aiuta a superare la pagina bianca, a trasformare un testo in albero e a trovare ciò che manca. Sbaglia anche con sicurezza: inventa probabilità, dimentica alternative e conta i costi due volte. Tratta il risultato come la bozza di un collega di fretta. Per scrivere prompt migliori, vedi il tutorial sui prompt.

Prima di incollare: le decisioni interne possono contenere valori, nomi e strategie riservati. Sostituiscili con dati fittizi e segui la politica della tua organizzazione sull'uso dell'IA. L'app non invia nulla in rete, ma il servizio di IA riceve ciò che vi incolli.

Sostituisci le parti tra parentesi quadre e incolla nello strumento di IA che usi.

1. Intervistare prima di costruire

Fa scoprire all'IA ciò che manca, invece di supporlo. È l'inizio migliore quando la decisione è ancora nella testa delle persone.

Sei un analista delle decisioni esperto di alberi decisionali.
Voglio strutturare questa decisione: [descrivila in poche frasi].

Prima di proporre qualsiasi albero, intervistami:
- Fai una domanda alla volta e aspetta la mia risposta.
- Copri: l'obiettivo e come misurarlo (profitto, costo, tempo), se va massimizzato o minimizzato, le alternative (compreso non fare nulla), le incertezze di ogni alternativa, cosa si saprà prima di ogni decisione, i criteri oggettivi che definiscono un percorso senza dover scegliere, e i costi e i guadagni.
- Per ogni incertezza, assicurati che i casi si escludano a vicenda e coprano tutte le possibilità.
- Non inventare numeri. Se non lo so, registralo come punto aperto.

Alla fine, consegna: obiettivo e unità; alternative; incertezze con i loro casi; regole con le loro condizioni; variabili con valore o punto aperto; l'ordine degli eventi.

2. Trasformare un testo in regole

Per politiche, procedure e criteri di triage. Chiede l'origine di ogni regola e segnala i casi senza risposta.

Dal testo qui sotto, estrai le regole per un albero decisionale.

Testo:
[incolla la politica, la procedura o il verbale]

Consegna:
1. Tabella con: ordine, condizione, risultato e il passo del testo che sostiene la regola.
2. Dati necessari per valutare le condizioni, con nome di variabile e tipo.
3. Casi che il testo non copre, e casi in cui valgono due regole insieme.
4. Domande per chiarire ogni lacuna.

Regole:
- Le condizioni si valutano in ordine, e vale la prima vera; indica se l'ordine cambia il risultato.
- Non colmare le lacune da solo. Ciò che non è nel testo va nelle domande.

3. Generare l'albero in JSON

Trasforma ciò che hai raccolto in un file che l'app apre. Incolla alla fine il risultato del prompt 1 o 2.

Genera un albero decisionale in JSON per Decision Tree Simulator, dalle informazioni alla fine.

Rispondi solo con il JSON, senza commenti e senza delimitatori di codice.

Formato:
- Radice del file: "app" (sempre "decision-tree-simulator"), "name", "objective" ("max" o "min"), "unit", "vars", "root" (id del nodo radice) e "nodes".
- "nodes" è un oggetto le cui chiavi sono gli id (n1, n2...). Ogni nodo ha "type", "text", "parent" (null solo alla radice) e "kids" (elenco di id, nell'ordine dei rami). Padre e figli devono concordare.
- "type" è "decision" (qualcuno sceglie), "chance" (sceglie il caso), "rule" (sceglie una condizione) o "outcome" (fine del percorso, senza figli).
- I dati del ramo stanno nel nodo figlio: "label"; "cash" (valore sommato passando per il ramo); "prob" (se il padre è chance); "guard" (se il padre è rule).
- "prob": numero da 0 a 1 o espressione. Lascia "" su un solo ramo per ricevere il resto. Le probabilità devono sommare 1.
- "guard": vale la prima condizione vera, in ordine. Lascia "" sull'ultimo ramo, come "altrimenti".
- In "outcome": "value" (obbligatorio), "cat" (categoria) e "msg" (azione consigliata).
- "vars": elenco con "name" (lettere, cifre e _), "value", "desc" e, se ha senso, "dist" (triangular(a, m, b), normal(m, s), random(a, b)) e "ask" con "prompt" per i dati inseriti a ogni simulazione.

Regole:
- Usa il punto per i decimali. Le espressioni accettano + - * / ^, confronti, and, or, not, min, max e round.
- Massimizzando il profitto, un costo è negativo. Minimizzando il costo, un costo è positivo. Non contare lo stesso valore in due punti.
- Dichiara in "vars" ogni variabile usata, e preferisci le variabili a ripetere i numeri.
- In "desc", indica se il valore viene da me o è una tua ipotesi. Non inventare fonti.

Esempio del formato:
{
  "app": "decision-tree-simulator",
  "name": "Esempio",
  "objective": "max",
  "unit": "€",
  "vars": [
    {"name": "p_ok", "value": "0.6", "desc": "ipotesi"}
  ],
  "root": "n1",
  "nodes": {
    "n1": {"type": "decision", "text": "Investire?", "parent": null, "kids": ["n2", "n5"]},
    "n2": {"type": "chance", "text": "Funziona?", "parent": "n1", "kids": ["n3", "n4"], "label": "Investi", "cash": "-100"},
    "n3": {"type": "outcome", "text": "Ritorno", "parent": "n2", "kids": [], "label": "Sì", "prob": "p_ok", "value": "300"},
    "n4": {"type": "outcome", "text": "Perdita", "parent": "n2", "kids": [], "label": "No", "prob": "", "value": "0"},
    "n5": {"type": "outcome", "text": "Nessun investimento", "parent": "n1", "kids": [], "label": "Non investire", "value": "0"}
  }
}

Informazioni:
[incolla il risultato del prompt 1 o 2, o descrivi la decisione]

4. Stimare probabilità e valori

Senza dati reali, ogni numero è un'ipotesi. Questo prompt lo rende visibile e prepara le distribuzioni del Monte Carlo.

Mi servono stime per questo albero decisionale.

Decisione: [descrivila]
Valori mancanti: [elenca le variabili e cosa significa ciascuna]

Per ogni valore, consegna una tabella con: minimo, più probabile, massimo, su cosa ti sei basato, cosa mi darebbe un numero migliore e la tua fiducia (bassa, media o alta).

Regole:
- Tutto è ipotesi finché non lo confermo. Dillo chiaramente.
- Non citare studi, numeri di mercato o fonti che non puoi indicare con precisione. Senza base, scrivi "senza base" e dai solo l'intervallo.
- Per ogni variabile, suggerisci la distribuzione nella forma triangular(minimo, più probabile, massimo).
- Per le probabilità di una stessa incertezza, controlla che i casi sommino 100%. Se una probabilità dipende da un test precedente, controlla che le probabilità combinate abbiano senso.
- Indica le 3 variabili che dovrei provare per prime nell'analisi di sensibilità, e perché.

5. Rivedere l'albero

Incolla il JSON salvato o il Markdown della documentazione. È un secondo parere sulla struttura, non un'approvazione.

Rivedi questo albero decisionale come un analista delle decisioni esperto.

Albero:
[incolla il JSON o il Markdown della documentazione]

Cerca:
- Alternative mancanti, compreso non fare nulla o rimandare.
- Ordine sbagliato: decisioni prese prima di un'informazione che sarebbe già disponibile, o il contrario.
- Casi di un'incertezza che si sovrappongono o non coprono tutto.
- Probabilità incoerenti tra i rami, o ottimiste senza giustificazione.
- Valori contati due volte, unità mescolate e segno sbagliato per l'obiettivo.
- Regole con lacune, condizioni mai raggiunte o un ordine che cambia il risultato.
- Esiti non confrontabili tra loro.

Consegna una tabella con: numero del nodo, problema, perché conta, suggerimento e gravità (alta, media o bassa). Non riscrivere l'albero. Non confermare che è giusto solo perché non hai trovato problemi: di' cosa non si può valutare senza altri dati. Concludi con le 3 domande a cui dovrei rispondere prima di decidere.

6. Spiegare il risultato

Incolla il Markdown della documentazione, con Monte Carlo e sensibilità già eseguiti, per chi deve decidere.

Spiega il risultato di questa analisi per [pubblico, come: direzione, team, cliente].

Documentazione:
[incolla il Markdown generato dall'app]

Scrivi al massimo una pagina:
1. La decisione, in una frase.
2. L'alternativa indicata e la differenza con la seconda.
3. Cosa può andare storto, con la probabilità e il valore di ogni caso.
4. Le ipotesi che pesano di più e i punti di svolta.
5. Cosa farei per ridurre l'incertezza prima di decidere.

Regole:
- Usa solo numeri presenti nel documento, senza crearne di nuovi.
- Il valore atteso è una media ponderata, non una previsione: non scrivere che "guadagneremo" quel valore.
- Separa ciò che è stato calcolato da ciò che è ipotesi. Ricorda che i numeri sono risultati di un modello, non misure.
- Niente gergo: spiega Monte Carlo e sensibilità in una frase, se devi citarli.

Come aprire il JSON del prompt 3

1. Copia la risposta dell'IA in un editor di testo e salvala con l'estensione .json, ad esempio albero.json.
2. Nell'app, usa File ▾ → Apri (.json)…. Se c'è già un albero, conferma la sostituzione; salva prima ciò che vuoi conservare.
3. Apri la scheda Verifica e controlla ogni avviso.

Scorciatoie da tastiera

Le scorciatoie di modifica valgono con il focus sul diagramma: fai prima clic su di esso, o usa Tab per raggiungerlo.

Errori comuni e limiti

Errori di modellazione

• Leggere il valore atteso come previsione. Nel portatile, nessuno paga 1.700 €: si pagano 800 € o 3.800 €.
• Contare due volte. Un costo sul ramo e di nuovo sull'esito entra due volte nel totale.
• Sbagliare il segno. Un costo positivo massimizzando, o negativo minimizzando, inverte la raccomandazione.
• Casi sovrapposti. I rami di un'incertezza devono escludersi a vicenda e coprire tutto. L'app controlla la somma, non il senso.
• Fidarsi di un solo numero. Le probabilità sono tue ipotesi: esegui la sensibilità su quelle più incerte.

Quando qualcosa non funziona

Limiti

• Solo alberi: niente cicli né percorsi che si riuniscono. Per processi con ripetizioni, usa Flowchart Simulator. ^[8]
• L'analisi è neutrale al rischio: confronta medie, senza funzione di utilità.
• Gli alberi grandi diventano difficili da leggere e mantenere ^[2]; l'app accetta fino a 2.000 nodi, e le tabelle dei percorsi sullo schermo e nel documento ne mostrano fino a 500.
• L'app non crea l'albero dai dati.

Ripasso rapido

Prova a rispondere prima di aprire ogni domanda.

Riferimenti

1. Giovani Perotto Mesquita, “Decision Tree Simulator”, app in un unico file HTML, giovanipm.github.io/decision-tree-simulator.html.
2. Wikipedia (in inglese), “Decision tree”, consultato il 01/11/2026, en.wikipedia.org/wiki/Decision_tree.
3. Wikipedia (in inglese), “Decision analysis”, consultato il 01/11/2026, en.wikipedia.org/wiki/Decision_analysis.
4. Wikipedia (in inglese), “Expected value”, consultato il 01/11/2026, en.wikipedia.org/wiki/Expected_value.
5. Wikipedia (in inglese), “Monte Carlo method”, consultato il 01/11/2026, en.wikipedia.org/wiki/Monte_Carlo_method.
6. Wikipedia (in inglese), “Sensitivity analysis”, consultato il 01/11/2026, en.wikipedia.org/wiki/Sensitivity_analysis.
7. Mermaid, “Flowcharts Syntax”, documentazione, consultato il 01/11/2026, mermaid.js.org/syntax/flowchart.html.
8. Giovani Perotto Mesquita, “Flowchart Simulator: tutorial”, tutorial di questo sito, giovanipm.github.io/FlowchartSimulator.html.

Qué es Decision Tree Simulator

Un árbol de decisión es un modelo en forma de árbol de las decisiones y sus posibles consecuencias, incluidos eventos de azar, costes y utilidad. ^[2] Decision Tree Simulator monta estos árboles, los ejecuta y los documenta. ^[1] Es un único archivo HTML que funciona en el navegador, sin instalación ni cuenta.

Abrir Decision Tree Simulator →

¿Por qué dibujar una decisión en vez de solo pensarla? Porque el árbol obliga a separar lo que eliges de lo que no controlas, y a dar un número a cada hipótesis. Una vez en el árbol, las hipótesis quedan a la vista y se pueden discutir. El árbol ayuda incluso con pocos datos concretos. ^[2]

El área que estudia este tipo de problema se llama análisis de decisiones: Ronald A. Howard usó el término en un artículo de 1966, y Howard Raiffa publicó un texto introductorio en 1968. ^[3]

El trabajo ocurre en tres modos, elegidos en la parte superior de la pantalla:

Editar

Montar el árbol, rellenar los campos y declarar las variables.

Simular

Recorrer paso a paso y ver valor esperado, caminos, Monte Carlo y sensibilidad.

Documentar

Leer, imprimir y exportar la documentación generada a partir del árbol.

Cómo trata la aplicación tus datos

• Nada sale de tu ordenador. El archivo bloquea las conexiones de red.
• El árbol se queda en el navegador. Se guarda automáticamente y reaparece al reabrir la aplicación. Para tener una copia propia, guárdalo en JSON.
• Los árboles no ejecutan código. Las expresiones pasan por un intérprete propio, así que abrir un archivo recibido de otra persona no ejecuta JavaScript.

Ejemplos listos

En Archivo ▾, el grupo Ejemplos trae tres árboles. Todos los valores son ficticios.

• Lanzar un producto: decisiones en secuencia, con una prueba de mercado en medio.
• Clasificación de tickets: reglas con datos de entrada y un valor en horas, que se minimiza.
• Conceder crédito: regla por puntuación, variable cambiada en una rama y distribución en Monte Carlo.

Los cuatro nodos

La notación habitual tiene tres símbolos: un cuadrado para la decisión, un círculo para el azar y un triángulo para el fin. ^[2] La aplicación usa estos tres como iconos y añade la regla, para los casos en que no hace falta elegir ni sortear nada, porque los datos ya definen el camino.

Tu primer árbol: reparar o sustituir

En unos 20 minutos, decidirás qué hacer con un portátil averiado. En garantía, la reparación es gratuita. Si no, puedes pagar 800 € por una reparación que funciona en el 70% de los casos, con el riesgo de tener que comprar otro de todos modos, o sustituirlo ya por 3.000 €. Los valores son ficticios. Como todo es coste, el objetivo es minimizar.

1. Configura el árbol

1. Si la aplicación abre con otro árbol, usa Archivo ▾ → Nuevo.
2. En el panel derecho, rellena Nombre con Portátil averiado.
3. En Objetivo, elige Minimizar el valor.
4. En Unidad del valor, escribe €.

2. Declara las variables

Las variables dejan los números en un solo lugar. Abre la pestaña Variables y haz clic en + Nueva variable una vez por cada fila.

3. Monta el árbol

1. En el centro de la pantalla, haz clic en Empezar con: Regla, escribe ¿Está en garantía? y pulsa Enter.
2. Para cada fila de la tabla, haz clic en el nodo de origen y luego en el + que aparece en su borde. En el menú, elige el tipo, escribe el texto y pulsa Enter.
3. Con el nodo nuevo seleccionado, rellena los campos en el panel derecho. Si el árbol sale de la pantalla, haz clic en Ajustar.

4. Verifica

Abre la pestaña Verificar. Debe aparecer No se encontraron problemas. La raíz muestra VE € 1700. Si el número es otro, revisa los campos de la tabla.

5. Recorre paso a paso

1. Haz clic en Simular. El panel pide el dato de entrada: deja false y haz clic en Iniciar.
2. Haz clic en Paso. La regla evalúa la condición y el camino sigue por la rama No.
3. El panel pide tu elección. Haz clic en Reparar. El acumulado pasa a 800 €.
4. Haz clic en Paso. Con la semilla 12345, el sorteo da 0,9797 y la rama sorteada es No funciona.
5. Haz clic en Paso otra vez. El camino termina en Compra uno nuevo, con un total de 3.800 €.

Observa que el valor esperado de 1.700 € no ocurrió: en este camino gastaste 3.800 €, y en el otro gastarías 800 €. El valor esperado es la media ponderada, no una previsión de lo que va a ocurrir. ^[4]

6. Compara las alternativas

Abre la pestaña Valor esperado. Reparar vale 1.700 € (de 800 € a 3.800 €) y sustituir vale 3.000 €, sin variación. Reparar cuesta 1.300 € menos de media, pero tiene un 30% de probabilidad de salir más caro que sustituir. El árbol no decide por ti si ese riesgo es aceptable: lo hace visible.

7. Ejecuta Monte Carlo

Abre la pestaña Monte Carlo y haz clic en Ejecutar. Con 5.000 ejecuciones y semilla 12345, medimos una media de 1.857,4 €, con un margen de ± 38,73 €. La media supera 1.700 porque el coste de la reparación ahora se sortea de la distribución, cuya media es 933 y no 800.

8. Busca el punto de cambio

Abre la pestaña Sensibilidad, elige p_resuelve en Variable y haz clic en Calcular. La aplicación indica el cambio en p_resuelve ≈ 0,2667. Compruébalo a mano: 800 + (1 − p) × 3000 = 3000 da p ≈ 0,2667. Por tanto, reparar sigue siendo mejor incluso si la probabilidad de éxito es muy inferior al 70% estimado, y eso dice más que el número 1.700.

9. Genera el documento

Haz clic en Documentar. El documento ya trae diagrama, procedimiento, tabla de reglas, diccionarios y análisis. Usa Imprimir / PDF para imprimirlo o generar el PDF.

La interfaz

Dibujar y organizar

• Crear un hijo: haz clic en el + del borde del nodo y elige el tipo, o selecciona el nodo y usa las teclas D, C, R u O.
• Editar el texto: doble clic en el nodo o en la etiqueta de la rama. En táctil, toca dos veces.
• Cambiar de padre: arrastra el nodo sobre otro nodo, o arrastra el + de un nodo hasta otro. El nodo lleva todo lo que tiene debajo. La aplicación rechaza las conexiones que crearían un ciclo.
• Reordenar ramas: usa las flechas en Ramas de salida. En una regla, el orden cambia el resultado.
• Contraer: haz clic en el − de la esquina del nodo para ocultar lo que tiene debajo. El nodo muestra entonces cuántos quedan ocultos.
• Diseño: el diseño es automático hasta que arrastras un nodo a un espacio vacío. Entonces pasa a manual, hasta que usas Organizar ▾ → Reorganizar ahora. El mismo menú cambia entre En horizontal y En vertical.

Cada nodo tiene un único padre, y los caminos solo se abren, nunca se unen, como es propio de un árbol. ^[2] Si dos caminos llevan a la misma situación, copia la rama con Copiar rama y Pegar como hijo.

Nodos y ramas: los campos

Una rama pertenece al nodo de destino. Por eso, los campos de la rama aparecen al seleccionar el hijo o hacer clic en la línea.

Variables y expresiones

En cada variable, Valor es el usado en el análisis y en el paso a paso. Distribución en Monte Carlo es opcional y solo vale en las ejecuciones de Monte Carlo. Marca Preguntar al iniciar el paso a paso para indicar el valor en cada simulación: el análisis se recalcula con él.

En las expresiones, el decimal va con punto, porque la coma separa argumentos: min(1.5, 2). En el análisis, un sorteo vale su media.

Cómo se calcula el valor esperado

El valor esperado es la media de los valores posibles, ponderada por sus probabilidades. ^[4] La aplicación calcula de derecha a izquierda, empezando por los resultados:

• Un resultado vale el total del camino: los valores de las ramas más su valor.
• Una incertidumbre vale la media de las ramas, ponderada por las probabilidades.
• Una decisión vale la mejor rama disponible, según el objetivo. En caso de empate, queda la primera.
• Una regla vale la rama elegida por la condición, con los valores actuales de las variables.

El resultado es un plan: qué elegir en cada decisión. En el diagrama, las ramas elegidas son verdes y más gruesas, y las descartadas reciben //. El plan muestra la mejor elección de media, sin considerar cuánto riesgo toleras.

Verificar el modelo

La pestaña Verificar lista los problemas mientras editas. El número de la pestaña indica cuántos hay. Haz clic en un problema para ir al nodo. Los errores impiden calcular esa parte del árbol; los avisos señalan algo probablemente olvidado.

La verificación comprueba que el modelo se puede calcular, no que sea correcto. Una probabilidad equivocada pero válida pasa sin aviso.

Simular paso a paso

En Cómo ejecutar, eliges quién decide:

• Decisiones: yo elijo, seguir el plan del análisis o al azar.
• Incertidumbres: sorteo o yo elijo qué ocurre, para probar un camino concreto.
• Semilla: la misma semilla repite los mismos sorteos. Nueva semilla sortea otra.

El paso a paso sirve para comprobar la lógica y explicar el árbol a otra persona: cada fila muestra las condiciones evaluadas, el número sorteado y las variables cambiadas.

Caminos

La pestaña Caminos lista todos los caminos desde la raíz hasta el fin, con probabilidad y total. Haz clic en una fila para destacarla en el diagrama. El portátil tiene 4 caminos. La columna de estado indica si el camino está en el plan, fuera de él o inactivo con los valores actuales, como la rama Sí de la garantía.

La probabilidad cuenta solo las incertidumbres del camino, suponiendo tomadas sus decisiones. Exportar CSV lleva la lista a una hoja de cálculo.

Monte Carlo

El método de Monte Carlo obtiene resultados numéricos mediante muestreo aleatorio repetido. ^[5] Aquí, recorre el árbol muchas veces, sorteando las incertidumbres y las distribuciones de las variables, y muestra la distribución del total.

El plan se calcula una vez, con los valores de las variables, y queda fijo. Representa decidir antes de conocer el valor sorteado. Por eso, la media puede diferir del valor esperado.

La tabla muestra dos cosas. Con cuatro veces más ejecuciones, en esta medición el margen cayó a la mitad. Y sin la distribución la media queda cerca de los 1.700 € calculados; con ella, cerca de 1.833, que es la media 933 de la reparación más 0,3 × 3.000. El margen mide el error del muestreo. No dice si tus probabilidades son correctas.

En la tabla Cómo termina, la columna Probabilidad trae el valor calculado, para comparar con la frecuencia. Muestra — cuando una distribución cambia probabilidades o condiciones, porque entonces el valor calculado no describe las ejecuciones. Mostrar frecuencias en el diagrama engrosa las ramas más recorridas.

Sensibilidad

El análisis de sensibilidad estudia cómo la incertidumbre en las entradas de un modelo afecta al resultado. ^[6] Aquí importa porque los árboles son inestables: un pequeño cambio en los datos puede cambiar mucho la mejor decisión. ^[2]

La pestaña Sensibilidad varía una variable numérica, recalcula el análisis en cada punto y dibuja el valor de cada alternativa de la decisión elegida. En Puntos de cambio, la aplicación indica dónde cambia la mejor alternativa. Estos puntos se interpolan entre muestras vecinas: aumenta Puntos para más precisión.

Si el cambio está lejos de tu estimación, la decisión es robusta respecto a esa variable. Si está cerca, conviene buscar una estimación mejor antes de decidir.

Generar la documentación

El documento se genera a partir del árbol, en el idioma activo. Marca en Secciones lo que debe entrar.

En Identificación, rellena autor, área, propósito y alcance. Exporta con Imprimir / PDF, HTML, Markdown o Copiar MD. En Markdown, el diagrama va en Mermaid ^[7] y los gráficos quedan fuera.

Guardar, abrir y exportar

El árbol en el navegador desaparece si borras los datos del sitio. Guarda en JSON lo que importa.

Prompts de IA

Una IA ayuda a salir de la página en blanco, a convertir un texto en árbol y a encontrar lo que falta. También se equivoca con seguridad: inventa probabilidades, olvida alternativas y cuenta los costes dos veces. Trata el resultado como el borrador de un colega con prisa. Para escribir mejores prompts, mira el tutorial de prompts.

Antes de pegar: las decisiones internas pueden contener valores, nombres y estrategias confidenciales. Cámbialos por datos ficticios y sigue la política de tu organización sobre el uso de IA. La aplicación no envía nada a la red, pero el servicio de IA recibe lo que pegues en él.

Cambia las partes entre corchetes y pega en la herramienta de IA que uses.

1. Entrevistar antes de montar

Hace que la IA descubra lo que falta, en vez de suponerlo. Es el mejor comienzo cuando la decisión aún está en la cabeza de las personas.

Eres un analista de decisiones con experiencia en árboles de decisión.
Quiero estructurar esta decisión: [descríbela en pocas frases].

Antes de proponer ningún árbol, entrevístame:
- Haz una pregunta cada vez y espera mi respuesta.
- Cubre: el objetivo y cómo medirlo (beneficio, coste, plazo), si debe maximizarse o minimizarse, las alternativas (incluido no hacer nada), las incertidumbres de cada alternativa, lo que se sabrá antes de cada decisión, los criterios objetivos que definen un camino sin necesidad de elegir, y los costes y ganancias.
- Para cada incertidumbre, asegúrate de que los casos se excluyan entre sí y cubran todas las posibilidades.
- No inventes números. Si no lo sé, regístralo como pendiente.

Al final, entrega: objetivo y unidad; alternativas; incertidumbres con sus casos; reglas con sus condiciones; variables con valor o pendiente; el orden de los acontecimientos.

2. Convertir un texto en reglas

Para políticas, procedimientos y criterios de clasificación. Pide el origen de cada regla y señala los casos sin respuesta.

A partir del texto siguiente, extrae reglas para un árbol de decisión.

Texto:
[pega la política, el procedimiento o el acta]

Entrega:
1. Tabla con: orden, condición, resultado y el pasaje del texto que sustenta la regla.
2. Datos necesarios para evaluar las condiciones, con nombre de variable y tipo.
3. Casos que el texto no cubre, y casos en que dos reglas valen a la vez.
4. Preguntas para aclarar cada laguna.

Reglas:
- Las condiciones se evalúan en orden, y vale la primera verdadera; indica si el orden cambia el resultado.
- No rellenes lagunas por tu cuenta. Lo que no esté en el texto va a las preguntas.

3. Generar el árbol en JSON

Convierte lo que reuniste en un archivo que la aplicación abre. Pega al final el resultado del prompt 1 o 2.

Genera un árbol de decisión en JSON para Decision Tree Simulator, a partir de la información del final.

Responde solo con el JSON, sin comentarios y sin marcas de código.

Formato:
- Raíz del archivo: "app" (siempre "decision-tree-simulator"), "name", "objective" ("max" o "min"), "unit", "vars", "root" (id del nodo raíz) y "nodes".
- "nodes" es un objeto cuyas claves son los ids (n1, n2...). Todo nodo tiene "type", "text", "parent" (null solo en la raíz) y "kids" (lista de ids, en el orden de las ramas). Padre e hijos deben concordar.
- "type" es "decision" (alguien elige), "chance" (elige el azar), "rule" (elige una condición) u "outcome" (fin del camino, sin hijos).
- Los datos de la rama van en el nodo hijo: "label"; "cash" (valor sumado al pasar por la rama); "prob" (si el padre es chance); "guard" (si el padre es rule).
- "prob": número de 0 a 1 o expresión. Deja "" en una sola rama para recibir el resto. Las probabilidades deben sumar 1.
- "guard": vale la primera condición verdadera, en orden. Deja "" en la última rama, como "si no".
- En "outcome": "value" (obligatorio), "cat" (categoría) y "msg" (acción recomendada).
- "vars": lista con "name" (letras, números y _), "value", "desc" y, si tiene sentido, "dist" (triangular(a, m, b), normal(m, s), random(a, b)) y "ask" con "prompt" para datos indicados en cada simulación.

Reglas:
- Usa punto para los decimales. Las expresiones aceptan + - * / ^, comparaciones, and, or, not, min, max y round.
- Al maximizar el beneficio, un coste es negativo. Al minimizar el coste, un coste es positivo. No cuentes el mismo valor en dos lugares.
- Declara en "vars" toda variable usada, y prefiere variables a repetir números.
- En "desc", indica si el valor lo di yo o es una hipótesis tuya. No inventes fuentes.

Ejemplo del formato:
{
  "app": "decision-tree-simulator",
  "name": "Ejemplo",
  "objective": "max",
  "unit": "€",
  "vars": [
    {"name": "p_ok", "value": "0.6", "desc": "hipótesis"}
  ],
  "root": "n1",
  "nodes": {
    "n1": {"type": "decision", "text": "¿Invertir?", "parent": null, "kids": ["n2", "n5"]},
    "n2": {"type": "chance", "text": "¿Sale bien?", "parent": "n1", "kids": ["n3", "n4"], "label": "Invertir", "cash": "-100"},
    "n3": {"type": "outcome", "text": "Retorno", "parent": "n2", "kids": [], "label": "Sí", "prob": "p_ok", "value": "300"},
    "n4": {"type": "outcome", "text": "Pérdida", "parent": "n2", "kids": [], "label": "No", "prob": "", "value": "0"},
    "n5": {"type": "outcome", "text": "Sin inversión", "parent": "n1", "kids": [], "label": "No invertir", "value": "0"}
  }
}

Información:
[pega el resultado del prompt 1 o 2, o describe la decisión]

4. Estimar probabilidades y valores

Sin datos reales, cualquier número es una hipótesis. Este prompt lo hace visible y prepara las distribuciones de Monte Carlo.

Necesito estimaciones para este árbol de decisión.

Decisión: [descríbela]
Valores que faltan: [lista las variables y qué significa cada una]

Para cada valor, entrega una tabla con: mínimo, más probable, máximo, en qué te basaste, qué me daría un número mejor y tu confianza (baja, media o alta).

Reglas:
- Todo es hipótesis hasta que yo lo confirme. Dilo claramente.
- No cites estudios, cifras de mercado ni fuentes que no puedas indicar con precisión. Sin base, di "sin base" y da solo el rango.
- Para cada variable, sugiere la distribución en la forma triangular(mínimo, más probable, máximo).
- En las probabilidades de una misma incertidumbre, comprueba que los casos sumen 100%. Si una probabilidad depende de una prueba anterior, comprueba que las probabilidades combinadas tengan sentido.
- Indica las 3 variables que debería probar primero en el análisis de sensibilidad, y por qué.

5. Revisar el árbol

Pega el JSON guardado o el Markdown de la documentación. Es una segunda opinión sobre la estructura, no una aprobación.

Revisa este árbol de decisión como un analista de decisiones experimentado.

Árbol:
[pega el JSON o el Markdown de la documentación]

Busca:
- Alternativas que faltan, incluido no hacer nada o aplazar.
- Orden equivocado: decisiones tomadas antes de una información que ya estaría disponible, o al revés.
- Casos de una incertidumbre que se solapan o no cubren todo.
- Probabilidades incoherentes entre ramas, u optimistas sin justificación.
- Valores contados dos veces, unidades mezcladas y signo equivocado para el objetivo.
- Reglas con lagunas, condiciones nunca alcanzadas u orden que cambia el resultado.
- Resultados que no son comparables entre sí.

Entrega una tabla con: número de nodo, problema, por qué importa, sugerencia y gravedad (alta, media o baja). No reescribas el árbol. No confirmes que está bien solo porque no hallaste problemas: di qué no se puede evaluar sin más datos. Termina con las 3 preguntas que debería responder antes de decidir.

6. Explicar el resultado

Pega el Markdown de la documentación, con Monte Carlo y sensibilidad ya ejecutados, para quien vaya a decidir.

Explica el resultado de este análisis para [público, como: dirección, equipo, cliente].

Documentación:
[pega el Markdown generado por la aplicación]

Escribe hasta una página:
1. La decisión, en una frase.
2. La alternativa indicada y la diferencia con la segunda.
3. Qué puede salir mal, con la probabilidad y el valor de cada caso.
4. Las hipótesis que más pesan y los puntos de cambio.
5. Qué haría para reducir la incertidumbre antes de decidir.

Reglas:
- Usa solo números que estén en el documento, sin crear otros.
- El valor esperado es una media ponderada, no una previsión: no escribas que "vamos a ganar" ese valor.
- Separa lo calculado de lo que es hipótesis. Recuerda que los números son resultados de un modelo, no mediciones.
- Sin jerga: explica Monte Carlo y sensibilidad en una frase si necesitas citarlos.

Cómo abrir el JSON del prompt 3

1. Copia la respuesta de la IA en un editor de texto y guárdala con la extensión .json, por ejemplo arbol.json.
2. En la aplicación, usa Archivo ▾ → Abrir (.json)…. Si ya hay un árbol, confirma la sustitución; guarda antes lo que quieras conservar.
3. Abre la pestaña Verificar y revisa cada aviso.

Atajos de teclado

Los atajos de edición valen con el foco en el diagrama: haz clic en él antes, o usa Tab hasta llegar.

Errores comunes y limitaciones

Errores de modelado

• Leer el valor esperado como previsión. En el portátil, nadie paga 1.700 €: se pagan 800 € o 3.800 €.
• Contar dos veces. Un coste en la rama y otra vez en el resultado entra dos veces en el total.
• Equivocar el signo. Un coste positivo al maximizar, o negativo al minimizar, invierte la recomendación.
• Casos que se solapan. Las ramas de una incertidumbre deben ser excluyentes y cubrir todo. La aplicación comprueba la suma, no el sentido.
• Confiar en un solo número. Las probabilidades son hipótesis tuyas: ejecuta la sensibilidad en las más inciertas.

Cuando algo no funciona

Limitaciones

• Solo árboles: sin bucles ni caminos que se unen. Para procesos con repetición, usa Flowchart Simulator. ^[8]
• El análisis es neutral al riesgo: compara medias, sin función de utilidad.
• Los árboles grandes se vuelven difíciles de leer y mantener ^[2]; la aplicación acepta hasta 2.000 nodos, y las tablas de caminos en pantalla y en el documento muestran hasta 500.
• La aplicación no crea el árbol a partir de datos.

Repaso rápido

Intenta responder antes de abrir cada pregunta.

Referencias

1. Giovani Perotto Mesquita, “Decision Tree Simulator”, aplicación en un único archivo HTML, giovanipm.github.io/decision-tree-simulator.html.
2. Wikipedia (en inglés), “Decision tree”, consultado el 01/11/2026, en.wikipedia.org/wiki/Decision_tree.
3. Wikipedia (en inglés), “Decision analysis”, consultado el 01/11/2026, en.wikipedia.org/wiki/Decision_analysis.
4. Wikipedia (en inglés), “Expected value”, consultado el 01/11/2026, en.wikipedia.org/wiki/Expected_value.
5. Wikipedia (en inglés), “Monte Carlo method”, consultado el 01/11/2026, en.wikipedia.org/wiki/Monte_Carlo_method.
6. Wikipedia (en inglés), “Sensitivity analysis”, consultado el 01/11/2026, en.wikipedia.org/wiki/Sensitivity_analysis.
7. Mermaid, “Flowcharts Syntax”, documentación, consultado el 01/11/2026, mermaid.js.org/syntax/flowchart.html.
8. Giovani Perotto Mesquita, “Flowchart Simulator: tutorial”, tutorial de este sitio, giovanipm.github.io/FlowchartSimulator.html.