Documente Academic
Documente Profesional
Documente Cultură
TEMA 2
2.1
n activitatea de management din cele mai diverse domenii de activitate (cum ar fi cele
politice, economice, militare, tehnologice sau administrative) unul din elementele de baz l
reprezint rezolvarea problemelor de luare a deciziilor. Importana deciziilor ce trebuie
adoptate, dar i complexitatea i dificultatea alegerii acestora, impun o abordare coerent a
problemelor de decizie. Teoria deciziei reprezint n esen atitudinea tiinific fa de
procesul de adoptare a deciziilor. Componentele de baz ale acestui proces pot fi analizate n
mod sistematic pentru a evidenia legitile acestui proces. Ignorarea sau nclcarea acestor
legiti rezultate din analiza aspectelor concrete al problemelor de decizie poate genera
adoptarea unor decizii empirice, incorecte sau neadecvate. Teoria matematic a deciziei, ale
crei principale noiuni le vom prezenta n cadrul acestui capitol, se bazeaz pe conceptele din
teoria probabilitilor i din statistica matematic, completate de o disciplin mai nou,
respectiv teoria utilitii. Abordarea problematicii riscului ntr-o manier riguroas implic i
rezolvarea unor probleme de decizie care s conduc la minimizarea riscului i a pierderilor
de orice natur asociate diferitelor decizii adoptate i aciunilor aplicate.
ntr-o problem de decizie, un decident individual (de obicei un manager) sau colectiv
(un comitet sau un board de conducere) trebuie s aleag din mai multe alternative, n funcie
de anumite criterii sau reguli de decizie, astfel nct decizia aleas s fie din anumite puncte
de vedere cea mai bun. Alternativele pe care le are decidentul sunt constituite dintr-un
spaiu de aciune, care conine toate aciunile posibile pe care decidentul le are la dispoziie.
1
n general, n majoritatea problemelor de decizie, spaiul de aciune este o mulime finit, dar
exist i probleme de decizie cu spaiul de aciune infinit. Un alt element care definete o
problem de decizie l constituie spaiul de parametri, sau spaiul strilor naturii, care
reprezint starea adevrat a lumii reale. Consecinele fiecrei aciuni depind de evenimente
incerte, reprezentate de starea naturii. ntr-o problem de decizie, decidentul poate s aib, sau
nu, la dispoziie informaii privind incertitudinile ce caracterizeaz problema de decizie.
Aceste informaii suplimentare rezult de obicei pe baza efecturii unor experimente,
nelegnd prin aceasta sensul cel mai larg de definire a experimentelor de natur statistic,
respectiv, activitile de culegere i prelucrare a informaiei referitoare la un anumit fapt. Dac
decidentul nu folosete informaii din experimente pentru adoptarea deciziei, spunem c avem
o problem de decizie fr experimentare. Dac ns n procesul de adoptare a deciziei sunt
utilizate informaiile provenite din experimente, spunem c avem o problem de decizie cu
experimentare. Informaia este de cele mai multe ori de natur statistic, furniznd modelul
probabilistic ataat problemei de decizie. Informaiile din experimente se refer la variabilele
aleatoare care definesc spaiul de eantionare al problemei de decizie.
Deciziile n care probabilitatea de apariie a fiecrei stri a naturii este cunoscut (sau
poate fi estimat) sunt definite ca fiind decizii luate n condiii de incertitudine sau de risc. n
asemenea situaii, decidentul poate evalua gradul de risc n termenii unei distribuii de
probabilitate. Astfel, probabilitile n adoptarea deciziei pot fi vzute ca un mijloc de a
exprima convingerea decidentului asupra evenimentelor viitoare, care sunt ns incerte.
Probabilitile care evalueaz strile naturii sunt obiective i subiective. Probabilitile
obiective pot fi determinate pe baza datelor istorice sau ca urmare a experimentelor i trebuie
s fie actuale, numrabile sau observabile. Probabilitile subiective msoar gradul de
convingere n verosimilitatea apariiei viitoare a unui anumit rezultat i se utilizeaz atunci
cnd probabilitile obiective nu sunt accesibile sau nu pot fi utilizate.
Pentru fiecare problem de decizie se definete o funcie de pierdere, care cuantific
pierderea asociat fiecrei consecine a aciunilor adoptate, pentru fiecare stare a naturii.
Pierderea este cel mai adesea exprimat n termeni monetari, dar pot fi i alte modaliti de
msurare a pierderii. Pe baza funciei de pierdere, se poate determina funcia de risc, ca fiind
valoarea medie sau valoarea ateptat a pierderii, definiie ce implic utilizarea
probabilitilor.
Criteriile sau regulile de decizie se mpart n dou categorii. Este vorba despre criteriul
minimax i despre criteriul Bayes. Criteriul minimax se aplic mai ales deciziilor fr
experimentare, n care se evalueaz pierderile maxime datorate aciunilor adoptate i apoi se
alege decizia care are o pierdere minim. Acest criteriu de decizie este unul conservator,
pesimist, care ne asigur protecia asupra unor variaii crescute ale riscului, respectiv
minimizeaz riscul maxim.
Criteriul de decizie Bayes ia n considerare i alte informaii de care dispune decidentul
n legtur cu strile naturii care este posibil s apar. n aceste situaii, decidentul ine seama
de convingerile sale privind starea naturii, reprezentate sub forma unei distribuii de
probabilitate, respectiv aa-numita distribuie a convingerii. Funcia de risc de tip Bayes
exprim pierderea medie pentru decizia considerat, condiionat de adevrata stare a naturii,
calculat n funcie de densitatea de probabilitate a convingerii. Procedura de decizie Bayes
indic decidentului alegerea aciunii care minimizeaz pierderea medie, pierdere evaluat n
funcie de valorile distribuiei de probabilitate iniiale considerate pentru toate strile posibile
ale naturii. Aceast alegere se poate face fr utilizarea unor informaii suplimentare rezultate
ca urmare a experimentrii. Dac ns decidentul poate dispune de aceste informaii
suplimentare, atunci ele trebuie aplicate pentru adoptarea deciziei.
n cadrul experimentrii, decidentul analizeaz variabilele aleatoare care conin valorile
spaiului de eantionare. El va stabili o procedur de decizie sau o strategie, care s-i indice
aciunile pe care trebuie s le aplice pentru fiecare valoare a variabilei aleatoare, urmrind
alegerea funciei de decizie optimale. Funcia de risc, calculat cu ajutorul probabilitilor
iniiale ofer un mijloc de a defini optimalitatea, respectiv minimizarea riscului pentru fiecare
stare a naturii. Dar n majoritatea cazurilor, aceast funcie optimal nu exist i atunci va
trebui s gsim o modalitate de gsire a deciziei optimale cu ajutorul probabilitilor
posterioare, care nseamn de fapt ncorporarea n modelul de decizie a tuturor informaiilor
disponibile despre starea naturii.
nainte de a proceda la utilizarea experimentelor statistice, care de cele mai multe ori au
costuri semnificative, este necesar ns s evalum valoarea potenial pe care o aduc aceste
experimente. Pentru acesta vom evalua mai nti valoarea informaiei perfecte a
experimentului, respectiv valoarea pe care decidentul este dispus s o plteasc pentru aceast
informaie perfect. Abordrile minimax i Bayes conduc, n general, la rezultate diferite
privind alegerea deciziei optimale, cu toate c anumite alegeri ale distribuiei convingerii
poate conduce la soluii similare ale problemei de decizie.
Un alt element important ntr-o problem de decizie o constituie problema asumrii
riscului, respectiv a atitudinii fa de risc a decidentului. Aceasta nseamn decizia de a
rmne ntr-o stare neschimbat (status-quo) sau decizia de a intra ntr-o situaie de
incertitudine, care poate duce la ctig sau la pierdere. O abordare a acestei probleme este dat
de funcia de utilitate, care poate fi vzut ca o pierdere negativ, urmrindu-se
maximizarea utilitii printr-o decizie optimal. Dac funcia de utilitate marginal este
descresctoare, atunci decidentul are aversiune la risc, iar atunci cnd funcia de utilitate este
cresctoare, suntem n cazul unui decident care i asum riscul.
n fine, o problem de decizie secvenial cu stadii multiple poate fi analizat i cu
ajutorul arborilor de decizie, metod care are avantajul de a furniza o reprezentare grafic
clar a alternativelor i a cronologiei evenimentelor problemei de decizie. Un arbore de
decizie este alctuit din noduri i din ramuri. Exist dou tipuri de noduri, respectiv noduri de
decizie (reprezentate printr-un ptrat) i noduri de incertitudine (reprezentate printr-un cerc).
Ramurilor de incertitudine li se ataeaz probabiliti, n funcie de condiionrile pentru
fiecare ramur a arborelui de decizie.
Cele dou metode de rezolvare a problemei de decizie, cea analitic i cea grafic au
fiecare avantaje i cel mai bine se utilizeaz mpreun pentru determinarea soluiei optimale a
problemei de decizie.
2.2
Elementele de baz ale modelului general al unei probleme de decizie pot fi formalizate
matematic astfel:
Definim o mulime A, denumit spaiu de aciune, alctuit din toate aciunile posibile
Definim mulimea D, denumit spaiu de decizie, alctuit din toate aplicaiile d din X n
A.
necunoscut, deoarece starea este necunoscut). Decidentul tie totui pierderea care
ar rezulta pentru fiecare din consecinele posibile , a , corespunztoare cu alegerea
aciunii
a
A
alegerea unei strategii generale, care definete, pentru fiecare X x , alegerea aciunii a.
Sintetiznd modelul general al problemei de decizie, decidentul alege o aciune a A ,
Aceasta implic dou tipuri diferite de probleme. Prima, de natur filosofic, este problema
criteriului utilizat pentru compararea elementelor din D; a doua, de natur tehnic, privete
modul de determinare a unei decizii optime, pe baza criteriului ales.
O problem de decizie poate fi vzut i ca fiind un joc mpotriva naturii. Aceasta
nsemn c natura alege un element i apoi decidentul, fr a cunoate starea
aleas de natur, alege, la rndul lui, un element a A . Rezultatul acestor dou alegeri este
pierderea de ctre decident a cantitii L , a , pierdere care poate fi msurat ntr-o
unitate
de msur adecvat (nu neaprat n bani). Posibilitatea observrii unei variabile aleatoare X,
cu densitatea de probabilitate f x , furnizeaz decidentului o informaie limitat
despre
alegerea naturii. Alegerea funciei de decizie poate fi vzut ns ca o strategie de joc.
S notm, de asemenea, c dou din domeniile majore ale statisticii infereniale
respectiv estimarea i testarea ipotezelor sunt ambele cazuri speciale ale modelului general
de decizie prezentat mai sus. Vom detalia aceste cazuri n cursul acestui capitol.
2.2.2 Regulile de decizie minimax i Bayes
La prima impresie, s-ar putea crede c alegerea funciei de decizie optime este relativ
simpl, deoarece vom alege o funcie d
astfel nct pierderea s fie minimizat,
indiferent de starea naturii care apare. Totui, acest lucru nu este posibil dac nu tim
adevrata stare a naturii, caz n care nu suntem de fapt n faa unei probleme de decizie.
Pentru a ilustra acest lucru, s presupunem c dorim estimarea unui parametru
necunoscut real, cu o funcie de pierdere ptratic de forma L , a a 2 .
S
presupunem c am observat variabila aleatoare X x i c a d
d x
0
R , d L , d x f x
(X continu)
(2.1)
(X discret).
(2.2)
dx
R , d L , d x f
xX
pierderii), utiliznd funcia de decizie d, dac starea adevrat a naturii este i n raport cu
distribuia specificat f x .
Notnd operatorul pentru valoarea medie cu M X , putem scrie
Operatorul M X
R , d M X L , d x .
(2.3)
poate fi aplicat pentru orice funcie g x, a crei valoare medie n
M X g x, g x, f x dx .
(2.4)
X
VX g x, M X g x, M
2
g x, 2 .
(2.5)
L , a a ,
2
(2.6)
i un eantion aleator X X , X ,, X dintr-o distribuie normal cu media 0 i
1
2
n
abaterea standard 1,
1
d1 X 1 , X 2 ,, X n X 1 X 2 X n X ,
(2.7)
n
d 2 X 1 , X 2 ,, X n mediana X 1 , X 2 ,, X n ,
(2.8)
d 3 X 1 , X 2 ,, X n 0 .
(2.9)
Conform relaiilor de mai sus, d este media eantionului, d este mediana
1
2
eantionului, iar d 3 este o regul de decizie care statueaz c se ignor orice valoare a
eantionului i ntotdeauna se estimeaz ca fiind 0. Calculnd funciile de risc pentru
aceste decizii obinem
2
1
R , d1 MX X VX X .
n
(n acest caz X are o distribuie normal N , n .
1
N ,
(2.10)
2n obinem
R , d2
MX mediana1X
,,n X
1,57
2n n .
(2.11)
Pentru d 3 obinem
R , d 3 MX 0 2 M
(2.12)
R , d
d3
1,57
n
d2
1
n
d1
funcia de risc a lui d are valorile de risc cele mai mici. Din acest exemplu observm c
3
funciile de risc n sine nu ne furnizeaz un criteriu de alegere ntre d i d .
1
3
Exemplul urmtor ilustreaz tocmai dificultatea alegerii regulilor de decizie.
Exemplul 2.2 Fie X X , X ,, X un eantion aleator din distribuia normal
1
2
n
X
X
X n X ,
d1 X 1 , X 2 ,, X n 1 1 2
(2.13)
d 2 X 1 , X 2 ,, X n
X i X
n
(2.14)
n 1 i 1
2
R , d1 MX X VX X ,
n
(2.15)
R , d 2 M X d 2 2 V X d 2 X ,
X
(2.16)
22
R , d 2 n 1 .
(2.17)
n 1 R , d R , d dac n 1
1
2
i
,
Rezult c R , d1 R , d 2 dac
2n
2n
n1
. Graficele funciilor de risc corespunztoare deciziilor d 1
2n
d2
d1
1/8
1/4
d 2 este
optim, dar dac tim c 1 4 atunci decizia este d 1 optim. Problema este c nu tim
valoarea lui i astfel trebuie s gsim i alte criterii care s ne ajute s alegem. n general, o
problem de decizie conduce la un mare numr de funcii de decizie posibile (mulimea D are
un numr foarte mare de elemente) i modelele grafice prezentate anterior nu mai pot fi
aplicate. De aceea, va trebui s cutm criterii generale, care s ne permit selecia regulilor
optimale din spaiul de decizie D. Prin termenul optimal vom nelege n continuare cea
mai bun soluie pe care o alegem ntr-un context dat.
Vom analiza n cele ce urmeaz dou astfel de criterii, cunoscute sub denumirea de
criteriul (regula) minimax i criteriul Bayes. Pentru a detalia aceste concepte, s considerm
dou funcii de risc ipotetice corespunztoare regulilor de decizie d 1 i d 2 pentru o problem
de decizie cu spaiul de parametri , reprezentate n Figura 2.3.
R , d
d1
d2
Pentru majoritatea valorilor lui , d 2 are un risc mai mic dect d 1 , dar exist valori ale
lui pentru care d 2 are un risc considerabil mai mare. Ce se poate face n asemenea situaii?
Sunt posibile dou abordri ale acestei probleme:
a)
Alegerea lui d1 , care ne protejeaz asupra unor variaii crescute ale riscului, respectiv
b)
este puin probabil ca valorile lui s fie n intervalul de risc maxim, atunci vom alege
Cu alte cuvinte, vom alege funcia de decizie al crui risc maxim este cel mai mic, dintre toate
valorile posibile de riscuri maxime corespunztoare deciziilor d din D. d se numete funcie
(2.19)
Bd R , d p , ( discret)
(2.20)
R , d
p1
p2
Bd M M X L , d x .
(2.21)
(2.22)
dD
1
,
n
1,57
sup R , d 2
,
n
sup R , d 3 ,
sup R , d1
(2.23)
(2.24)
(2.25)
1 1 i n acest
,
10 10
interval avem convingerea c nu exist valori ale lui care s fie mai plauzibile dect altele.
Convenim deci s reprezentm aceast convingere printr-o distribuie uniform pe intervalul
1 i avem
10 10
5.
(2.26)
1
1
10 10
1 10
B d
1
B d
(2.27)
n
1 10
1,57
1 10
(2.28)
1 10
B d 3
5d
1 10
5d
n
1,57
5d
(2.29)
300
1 10
d 3 au acelai risc Bayes, iar dac n 300 atunci d este decizia cu riscul Bayes cel mai
3
mic. Totui, dac convingerea noastr stabilit a priori ar fi fost diferit, de exemplu o
distribuie uniform pe intervalul 1, 1 , urmnd aceeai procedur ca mai sus, cele
trei
valori ale riscului Bayes ar fi fost
B d 1
,
1 B d
2
1,57 Bd
1
3
,
3
(2.30)
d3
d4
d
D
R , d R , d pentru orice valori ,
care satisface
(2.31)
i
1 , 2 i cu
parametrilor
funcia de pierdere definit n Tabelul 2.1:
Tabelul 2.1 Funcia de pierdere
tabelar
1
2
a1
a2
a3
4
1
1
4
3
3
La prima vedere aciunea a este preferabil, deoarece dac este adevrat, atunci
3
1
a3 este preferabil lui a1 , iar dac 2 este adevrat, atunci a 3 este preferabil lui a 2 .
S considerm acum o aciune aleatoare corespunztoare aruncrii unei monede,
respectiv alegerea lui a dac apare capul i a lui a dac apare pajura. Atunci, pentru
1
2
aceast aciune aleatoare, dac 1 este adevrat, pierderea medie este dat de
1
2
i dac 2 este adevrat, de
L , a
1, a
1
L
1
2 (2.33)
1
2
L , a 1
2 L1
2
2
Deoarece
,a
2 (2.34)
2
1
2
a .
5
3 , n ambele cazuri aciunea aleatoare este preferabil lui 3
2
Exemplul de mai sus sugereaz faptul c procedeul aleator se poate aplica i regulilor de
decizie d D i vom scrie
d1 1 d 2 , 0 1 ,
(2.35)
pentru a indica o decizie aleatoare care alege d cu probabilitatea i d cu probabilitatea
1
2
1 2 m 1, i 0 ,
putem
1d1 2 d 2 m d m ,
(2.37)
ca fiind o combinaie aleatoare a elementelor lui D. Corespunztor, riscul va fi
R , 1 R , d1 2 R , d 2 m R , d m .
(2.38)
D*
general al lui D* .
Definim mulimea de risc S pentru cazul 1 , 2 ,, k ca fiind
S y1 ,, R k , astfelnct
y
y
k
Spaiul k-dimensional R
Rj , , j 1,, k pentru D* .
(2.39)
y1 ,, yk
de
numere reale. S este o submulime a lui R alctuit din punctele ale cror coordonate sunt
k
risc pentru combinaia aleatoare a lui d i d . Toate punctele cu aceast proprietate aparin
2
1
lui S i S este convex.
R 2 ,
S
Punctul de ris c
pentru d 2
Punctele de ris c
pentru combinaia
aleatoare a deciziilor d
1 i d2
Punctul de ris
c pentru d 1
R 1 ,
cantitatea
max j y ,
strilor 1 , 2 ,, k ,
chiar
unde
corespunztor lui .
Abordarea minimax compar regulile de decizie n termenii max
regulile de decizie care conduc spre aceeai valoare sunt egale din punct de vedere al
criteriului minimax. n dou dimensiuni, locul geometric al punctelor y1 , y 2 cu
proprietatea max y1 , y2 const. (o anumit valoare specificat) are forma unui
echer. Deoarece
abordarea minimax urmrete minimizarea valorii max j , regula de decizie minimax este,
din punct de vedere geometric, punctul (sau punctele) n care echerul de 90 atinge marginea
inferioar (limita inferioar de sud-vest, notat S-E) a lui S . Aceast proprietate este ilustrat
n Figura 2.7. S notm i faptul c regula minimax poate s nu fie unic, ea depinznd de
forma lui S , care la rndul ei depinde de problema de decizie.
R 2 ,
Punctul de ris c
pentru decizia
minimax
R 1 ,
p p1 , p2 ,, pk , astfel
nct
pi 0, i 1,, k
i
B p j R j , p j y j .
(2.40)
j 1
j 1
p1 y1 p2 y2
const.
(2.41)
Deoarece 0 p1 , p2 1
i
inf
inferioar a lui S , aa cum se poate observa n Figura 2.8.
R 2 ,
=y 2
Punctul de ris c
pentru decizia
Bayes
p1 y1 p 2 y 2 in f B
R 1 ,
=y 1
R , d
0
4
4
5
2
0
1
1
5
4
d2
d1
d5
S
d4
d3
R 1 ,
(unic)
Decizia Bayes
p1 3 4
d1
p1 3 4
3 4 p1 1 2
d4
(unic)
p1 1 2
p1 1 2
d3
(unic)
L
al variabilei aleatoare continue X, dac o funcie de decizie Bayes
cu o distribuie
*
iniial p este unic pn la echivalen, atunci este admisibil.
*
Demonstraie. Presupunem c
D*
astfel nct
R 0 , R 0 , * , pentru valoarea 0 ,
(2.43)
B R , p d R , * p d B * .
(2.44)
contradicie i deci
este admisibil
*
D*
p1 , p2 ,, pk ,
unde
*
astfel nct:
R j ,
, * , pentru toate
j 1,, k ,
(2.45)
valorile
R i , R i , * , pentru valoarea i,
(2.46)
B R j , pj R j ,
j 1
j 1
p
B * ,
(2.47)
inegalitatea strict fiind datorat faptului c p j 0 , pentru toate valorile lui j. Dar
B * inf B ,
(2.48)
*
Pentru problemele cu finit, clasa deciziilor admisibile este o submulime a clasei
deciziilor Bayes, proprietate ilustrat de teorema urmtoare.
Teorema 2.3 Dac , ,, este finit i * este admisibil, atunci exist
1
D*
p p1 , p2 ,, pk ,
unde
p j 0,
j
p1 p2 pk
i fie Q x mulimea
nu exist puncte ale lui S la S V de x. Atunci S Q sunt mulimi disjuncte, ele fiind i
x
i
convexe. O proprietate cunoscut (cea a hiperplanurilor de separaie) arat c exist dreapta
p1 y1 p2 y 2 const.
cu
p1 , p2 0
*
* este admisibil .
Demonstraie. S presupunem c
astfel nct
D*
sup R , sup R , * .
(2.51)
este unic.
*
R , * const. pentru orice , atunci este minimax.
*
Demonstraie. Presupunem contrariul. Atunci exist c
D*
astfel nct
sup R , sup R , * .
(2.52)
Dar dac
atunci valorile
Aceasta contrazice faptul c
*
Teorema anterioar ne sugereaz o strategie pentru determinarea funciilor de decizie
minimax: mai nti se identific o regul admisibil i apoi se verific dac ea are riscul
constant.
Cea mai important teorem de clasificare din teoria deciziei arat c, n general, pentru
a fi admisibil, o regul de decizie trebuie s fie Bayes.
Aceasta motiveaz cutarea unei metode mai simple de calcul a regulilor de decizie
Bayes, n loc de a cuta direct minimizarea pierderii medii posterioare
in M M X L , d x ,
f (2.53)
X x.
pentru orice
D
determinat de * x a* , unde
minimizeaz
a*
L , a p x d ,
(2.54)
p x
f x p
.
f x p d
(2.55)
B R , p d
L , x f x dx p d
X
(2.56)
B
(2.57)
L , x p x d f x dx ,
care s minimizeze
L , x p x d .
(2.59)
Urmtoarea teorem stabilete forma general a estimrii Bayes pentru diferite forme
ale funciei de pierdere L , a .
Teorema 2.7 Dac L , a
(2.60)
p x d
p x d p x d ,
deoarece
(2.61)
p x d 1
(2.62)
L , a
denumit funcia de pierdere absolut, estimarea Bayes
a
a p x d a p x d a p x d .
(2.63)
d
obinem
da
g x dx g a i
da
g x dx
g a ,
(2.64)
1
p
x
d
p
x
d
,
2
a
(2.65)
(deoarece suma celor dou integrale este 1). Rezult deci c a este mediana distribuiei
posterioare
2.3.2 Verificarea ipotezelor statistice
S analizm problema de decizie reprezentat de verificarea ipotezelor statistice. Dac
H 0 : 0 este ipoteza nul i H1 : 1 este ipoteza alternativ, atunci spaiul
parametrilor va avea dou elemente 0 ,1, iar spaiul de aciune va avea, de asemenea,
dou elemente A a0 , a1 , cu urmtoarea
a0 reprezint respingerea ipotezei
semnificaie:
H 1 , iar a1 reprezint respingerea ipotezei H 0 .
Considerm funcia de pierdere definit de Tabelul 2.4 i valorile variabilei aleatoare X,
cu densitatea f x
Tabelul 2.4 Funcia de
.
pierdere
a0
L01
a1
L10
Vom analiza mai nti forma deciziei Bayes, fiind date probabilitile iniiale cu
condiiile p 0 0 p1 1 0 1 1. Conform Teoremei 2.6, pentru valorile
,
,
X x , decizia Bayes poate fi determinat alegnd aciunea care minimizeaz pierderea
medie posterioar. Pierderea medie posterioar dac adoptm x este
a0
xL x p
L011 f x 1 ,
01
1
0f
x 0 1 f x 1
0 p 0
(2.66)
L p
10
0
x x p
L10 0 f x 0
0
1
0f
x 0 1 f x 1
(2.67)
n relaiile de mai sus am folosit teorema lui Bayes pentru funciile a scrie p x i
0
p1 x . Atunci x va fi decizia care ar trebui s fie aleas dac
a
adic dac
L10 0 f x 0 L01 1 f x 1 ,
f x 0 L10 1
.
f x 1 L01 0
(2.68)
(2.69)
pentru x X i ,i 1,2 .
(2.70)
x
ai
1 i
R 0 , L 0 , x f x 0 dx
Atunci
(2.71)
~
f x 0 dx Prob X X 1 0
care este , adic probabilitatea de a respinge H 0 cnd de fapt H 0 este adevrat. Se tie c
(2.72)
~
f x 1 dx Prob X X 0 1
care este , adic probabilitatea de a accepta H 0 cnd de fapt H 0 este fals. Se tie c
este probabilitatea erorii de tipul II. Punctele de risc de coordonate
0,
1,
ale
D*; x a1
dac
f x 0
k , pentru k R .
f x 1 (2.73)
juctorul nu joac,
a1 :
a 2 : juctorul joac,
1 :
status quo,
2 : ctig,
3 : pierdere,
iar consecinele sunt:
1 , a1 : suma juctorului rmne neschimbat,
2 , a 2 :
3 , a 2 :
S remarcm faptul c, n anumite situaii, chiar dac se obine ctig, acesta poate fi
mai mic dect suma jucat, dar nu vom considera acest caz n problema noastr. Vom detalia
aceast problem din perspectiva abordrii Bayes a lurii deciziilor. Pentru aceasta va trebui
s specificm mai nti probabilitile pentru 1 , 2 , 3 , fiind
a1 sau a2 i apoi
date
determinarea valorii consecinelor.
Am definit anterior funcia de pierdere L : A R , atribuind valori
consecinelor,
astfel nct L ,
, dac rezultatul ar fi .
j
este valoarea
,a
pozitiv sau utilitatea obinut pentru o consecin alctuit din aciunea a
j
i rezultatul
1 , a1
Nu joac
Ctig
Joac
Recuperarea sumei
jucate plus
suma ctigat
2 , a 2
Pierderea
sumei
jucate
Pierdere
3
3 , a 2
joac, n mod sigur nu va pierde i va rmne n status quo), iar dat fiind a , atunci
2
(respectiv
dac
juctorul
joac,
probabilitile
de
ctig
sau
de
pierdere
le
p
p 2
1
2
3 , a 2 C S ,
(2.74)
i rezult c utilitile sunt determinate pentru orice valori C, P i S, prin definirea unei funcii
de utilitate U : X R , unde X conine toate consecinele care pot aprea din problema
de joc.
Atunci utilitile medii ale celor dou aciuni sunt date de relaiile de mai jos, n care am
utilizat valorile probabilitilor de ctig sau de pierdere definite anterior pentru aciunile a1
(juctorul nu joac) i respectiv a2 (juctorul joac):
Aciunea
a1
a2
Utilitatea medie
U C
1
1
U C P U C S
2
2
Pentru a maximiza utilitatea medie, aciunea optimal este definit de urmtoarea schem:
Joac ( a2 )
dac
1
1
Indiferent
U C
U C P U C S
Nu joac ( a1 )
C S C S .
(2.75)
U C S U C U C U C S ,
iar a1 va fi aleas dac
(2.76)
U C S U C U C U C S ,
(2.77)
egalitatea nsemnnd indiferena de a juca sau nu.
U (x )
U (C+P )
U (C ) pentru a 1
U (C )
U (C ) pentru a 2
U (C-S )
C-S
C+P
de incertitudine, al crei rezultat ateptat este egal cu situaia de status quo. Pentru ca un joc
cu C S sau C S s fie preferat lui C de un decident cu aversiune la risc, probabilitatea
rezultatului pentru C S trebuie s fie mrit. Dac notm aceast probabilitate cu ,
decidentul va prefera s joace dac
U C U C S 1 U C S ,
(2.78)
sau cu alte cuvinte dac
(2.79)
U C U C S
1.
U C S U C
Inegalitatea de mai sus reflect faptul c decidentul cu aversiune la risc va prefera un raport
superior n favoarea sa i depirea creterii raportului de utilitate.
Forma funciei de utilitate din Figura 2.14(b) reprezint utilitatea marginal
cresctoare, ceea ce nseamn c la creterea cu o cantitate fix (a lui S, de exemplu) produce
o utilitate adiional din ce n ce mai mare, dac se adaug la o sum iniial din ce n ce mai
mare (de exemplu de la C la C S produce o utilitate adiional mai mare dect de la C S
la C). O asemenea form a funciei de utilitate determin decidentul s aleag ntotdeauna s
joace, n loc s rmn n C pentru siguran. Un astfel de decident se spune c i asum
riscul. Se observ c decidentul care i asum riscul va juca dac
U C U C S 1 U C S ,
(2.80)
ceea ce implic numai
U C U C S
,
1 U C S U C
(2.81)
i din Figura 2.14(b) se observ c membrul drept al inegalitii este mai mic dect 1. Aceasta
implic existena valorilor 1 2 pentru care decidentul prefer s joace dect s rmn
n status quo. Situaia descris n Figura 2.14(c) implic indiferena de a juca sau nu.
S remarcm faptul c pentru valori ale lui S suficient de mici n raport cu C, curbele din
Figura
2.14(a) i (b) vor avea aproximativ forma din Figura 2.14(c), respectiv curbele vor fi suficient
de bine aproximate printr-o dreapt. Aceasta explic de ce un decident cu aversiune la risc
prefer s nu joace dac suma jucat (i ctigul) sunt suficient de mici.
U (x )
U (C+S ) U (C )
U(C) U (C-S )
(a )
C-S
C+S
U (x )
U (C+S ) U (C )
(b )
U(C) U (C-S )
C-S
C+S
U (x )
U (C+S ) U (C )
(c )
U(C) U (C-S )
C-S
C+S
U C
(2.82)
rezult c exist cantitatea C ,0 C
U C S
U C S ,
2
2
S , astfel nct
1
1
U C C U C S U C S ,
(2.83)
U (x )
U (C+S )
U (C )
U (C c )
U (C S )
C c
CS
C+S
U C C M U C X ,
(2.84)
unde valoarea medie M este considerat n raport cu distribuia de probabilitate a lui X.
Pentru a nelege natura lui C , care el nsui furnizeaz o msur a aversiunii la risc, s
presupunem c dispersia lui X, pe care o notm 2 , este suficient de mic, astfel nct
tranzaciile au loc ntr-o vecintate a lui C (implicnd de asemenea c la rndul su este
C
suficient de mic). Dac dezvoltm n serie Taylor ambii termeni ai egalitii (2.84) obinem:
U C C U C CU C ,
(2.85)
2
U C XU C 1 U C U C 1 U C , (2.86)
M U C X M
2
2
2
unde n relaia (2.85) am ignorat termenii n i urmtorii, iar n relaia (2.86) termenii care
C
conin M X
logU C
(2.87)
C
Cantitatea
1
2
U C
U C
1
2
d
dC
U C
definete deci o msur (local) a aversiunii la risc. Cu ct aceast
U C
cantitate este mai mare, cu att prima C pe care decidentul o are de pltit crete (indicnd
nivelul nalt de aversiune la risc). Forma lui C ne poate ajuta s determinm expresia
U C
k (cons t.).
(2.88)
U C
U , obinem soluia
U x 1 e
kx
, 0x.
k2
k1
stabileasc o sum S dac loteria ar fi constat din ctigul S i 0, respectiv S dac loteria
1
2
3
ar fi cu un ctig de 1000 i respectiv S .
2
Stabilim o scal pentru funcia de utilitate, respectiv U C 0 i U C 1000 100
.
U C S 2
1
1
U C 1000 U C
.
2
2
(2.90)
1
100 0
50
2
2
Rezult c S 2 este suma pentru care C S 2 are utilitatea 50 pe scala de utilitate. n
mod similar,
U C S1
S
U C
U C
(2.91)
1
50 0
25
2
2
1
1
U C 1000 U C 2 S
2
2
.
1
1
100 50
75
2
2
U C S 3
(2.92)
Reprezentnd grafic n Figura 2.17 valorile calculate pentru funcia de utilitate, rezult o
curb care trece prin aceste puncte i care ne sugereaz o funcie de utilitate marginal
descresctoare.
U (x )
100
75
50
25
0
C C+S 1
C+S 2
C+S 3
C+ 1000
;a ,a
n Figura 2.18 este reprezentat problema de decizie cu dou stadii de mai sus, n care
printr-un ptrat am reprezentat un punct sau nod de decizie (n care decidentul alege o
aciune), iar printr-un cerc am reprezentat un punct de incertitudine (n care apare o stare a
naturii incert, necontrolabil). Presupunem c utilitatea ataat consecinei finale este
;a ,a
are
forma din figura urmtoare.
a
;a
,a
;a1 ,a
. Ne punem ntrebarea
ce
vom face n al doilea nod de decizie dac iniial am ales aciunea a 1 i rezultatul a fost 1 .
Arborele corespunztor este reprezentat n Figura 2.19.
( a 1 , 1 )
;a
,a
a ,
,a
utilitate
U *
2
,a
max
(2.93)
a
a ,
,a
,a ,a
i a
max
U *
,a
d .
1
(2.94)
a
U*
,a
A a1 , a2 , a3 ,
a2 : Investete,
unde
a3 : Nu investete.
1 ,2 , unde
1 : Cererea crete,
2 : Cererea descrete.
X x1 , x2 , unde
Se tie, de asemenea, c firma care realizeaz studiul de pia a nregistrat 80% succese
atunci cnd a prognozat creterea cererii i 70% succese atunci cnd a prognozat scderea
cererii. Rezult urmtoarele probabiliti condiionate
px1 1 0,8 ,
px2 1 0,2 ,
px1 2 0,3 ,
(2.95)
px2 2 0,7 .
(2.96)
Predicie
cererea
crete
Predicie
cererea
descrete
Investete
crete
cererea
descrete
Nu investete
crete
cererea
descrete
Investete
crete
cererea
descrete
Studiu
de pia
Nu investete
Investete
Nu
investete
crete
cererea
descrete
crete
cererea
descrete
crete
cererea
descrete
p x1 px1 1 p1 px1 2 p 2
,
0,8 0,6 0,3 0,4
0,6
px2 1 px1 1 0,6 0,4 .
(2.98)
(2.99)
n continuare, pentru evaluarea convingerii despre 1 i 2 pe baza informaiilor din
p1 x1 px1 1
p 1
p x1 ,
(2.100)
p 2 x1 1 p1 x1 1 0,8 0,2 .
(2.101)
p1 x2 px2 1 p1 p x2 ,
(2.102)
p 2 x2 1 p1 x2 1 0,3 0,7 .
(2.103) n Figura 2.22 este reprezentat arborele de decizie al problemei, completat cu
valorile
probabilitilor i ale utilitilor.
1 1200 C
2 800 C
1 1000 C
2 1000 C
1 1200 C
2 800 C
1 1000 C
2 1000 C
1 1200
2 800
1 1000
2 1000
a1
a2
1 1120 C
0,6
x1
a3
2 1000 C
0,4
x2
a2
1 920 C
a3
2 1000 C
(2.105)
(2.106)
(2.107)
1120 C
0,6
x1
0,4
x2
1000 C
Figura 2.24 A doua maximizare pentru ramura a1
Aplicm acum nc o dat calculul utilitilor medii pentru a , a2 i a de pe ultimul
1
3
nivel al arborelui de decizie. Obinem:
a1
a2
1040
a3
1000
Figura 2.25 Utilitile pe ultimul nivel al arborelui de decizie
(2.108)
(2.109)
(2.110)
Decizia iniial pentru aceast problem a devenit acum clar: decidentul nu trebuie s
aleag niciodat a , iar decizia a va fi adoptat numai dac costul studiului de pia este
3
1
C 32 .
Procedura pentru aplicarea metodei arborilor de decizie poate fi sintetizat astfel:
(1)
(2)
(3)
(4)
(5)
2.6 APLICAII
Vom detalia i aplica n continuare conceptele prezentate n seciunile anterioare prin
dou probleme de decizie, care ne vor ajuta s fixm noiunile de teoria deciziei. De
asemenea, vom sistematiza printr-un algoritm paii de rezolvare a unei probleme de decizie.
2.6.1 Problema forajului
O companie de mbuteliere deine un teren care se presupune c va conine surse
subterane de ap mineral. Compania a clasificat terenul n patru categorii, dup debitul de
ap mineral care se ateapt s fie obinut din sursa forat, respectiv 1.000.000 litri, 500.000
litri, 100.000 litri sau 0 litri (sursa nu conine ap mineral). Alternativele asupra crora
trebuie s decid compania sunt urmtoarele:
(1) forajul pentru gsirea de ap mineral;
(2) nchirierea necondiionat a terenului ctre o alt companie de foraj;
(3) nchirierea condiionat a terenului, n funcie de cantitatea de ap mineral gsit.
Costul forajului pentru o surs care va produce ap mineral este de 10.000, n timp ce costul
forajului fr gsirea de ap mineral este de 6.000. Profitul pentru o surs de ap mineral
este de 0,10/litru (dup deducerea costurilor de producie). Costul nchirierii necondiionate
este de 8.000, n timp ce compania ar primi 0,03 pentru fiecare litru extras n cazul
nchirierii necondiionate, dac sursa forat pe terenul nchiriat va produce mai mult de
250.000 litri. Cu elementele definite pn acum, compania de mbuteliere ar obine
urmtoarele profituri posibile (Tabelul 2.5):
Tabelul 2.5 Profiturile companiei de mbuteliere
(1) Foraj
(2)
nchiriere
necondiionat
(3) nchiriere condiionat
A.
1.000.000
litri/surs
500.000
litri/surs
100.000
litri/surs
0
litri/surs
90.000
8.000
40.000
8.000
0
8.000
6.000
8.000
30.000
15.000
DECIZIA FR EXPERIMENTARE
Problema de decizie const din urmtoarele aciuni:
a1 : Forajul pentru gsirea de ap mineral,
problem de decizie o obinem direct din Tabelul 2.5 de profituri estimate, cu meniunea c
valorile negative ale pierderii reprezint, de fapt, profit (n Tabelul 2.6).
Tabelul 2.6 Funcia de pierdere pentru problema forajului
a1 :
Foraj
a2 :
nchiriere
necondiionat
a 3 : nchiriere condiionat
1 :
2:
3:
4:
1.000.000
litri/surs
500.000
litri/surs
100.000
litri/surs
0
litri/surs
90.000
40.000
6.000
8.000
8.000
8.000
8.000
30.000
15.000
cea mai bun aciune este a , adic forajul, n timp ce dac , cea mai bun aciune este
1
4
max La2 ,
8.000
Prob 2 p 2 0,15 ,
Prob 3 p 3 0,25 ,
Prob 4 p 4 0,50 .
(2.112)
(2.113)
(2.114)
Procedura de decizie Bayes indic decidentului s aleag acea aciune care minimizeaz
pierderea medie evaluat n funcie de distribuia iniial pentru toate strile posibile ale
naturii. n cazul distribuiilor discrete (aa cum este i cazul problemei noastre), funcia de
pierdere este dat de
La M La, La, k p k .
(2.115)
k
La2 M La2 , 8.000 0,10 8.000 0,15 8.000 0,25 8.000 0,50
8.000 ,
(2.117)
(2.118)
Rezult c, utiliznd regula de decizie Bayes i convingerea sa asupra distribuiei de
probabilitate a strii naturii, decidentul va alege aciunea
mineral, cu o pierdere medie (profit) de 12.000.
B.
DECIZIA CU EXPERIMENTARE
1 :
2:
3:
4:
1.000.000
litri/surs
500.000
litri/surs
100.000
litri/surs
0
litri/surs
8 12
10 16
10 24
10 48
3 12
3 16
7 24
12 48
1 12
2 16
3 24
17 48
0 12
1 16
4 24
9 48
Valorile din tabelul anterior pot fi interpretate astfel: dac forajul este de 500.000
litri/surs (starea naturii ), atunci 3 16 este probabilitatea condiionat ca s avem
2
categoria (2) de clasificare geologic; dac forajul nu gsete ap mineral (starea naturii 4 ),
atunci 17 48 este probabilitatea condiionat ca nivelul de clasificare geologic s fie (3).
Notm cu X informaia obinut prin experimentare dintr-un eantion aleator. X este o
variabil aleatoare i poate fi vzut ca o funcie a eantionului de date. Decidentul trebuie s
aleag o procedur de decizie sau o strategie, care, pe baza informaiilor furnizate de
experiment, s-i indice ce aciune s aplice pentru fiecare valoare X x . Notm aceast
funcie cu d x , astfel nct dac variabila aleatoare X ia valoarea x,
ad
va fi
atunci
x
aciunea aleas. Decidentul este interesat bineneles s aleag funcia de decizie optimal.
Pentru a evalua funcia de decizie, trebuie s-i explorm consecinele. Deoarece aciunea
aplicat a este o funcie care depinde de rezultatul variabilei aleatoare X, atunci d X este i
R , d M Ld X , .
(2.119)
S aplicm abordarea de mai sus exemplului nostru. S presupunem c evalum regula
de decizie d , conform creia dac rezultatul studiului geologic este (1) aplicm aciunea a ,
1
dac rezultatul este (2) sau (3), aplicm aciunea a , iar dac rezultatul este (4) aplicm a .
3
2
Aceasta nseamn
d1 x a1 , x 1
pentru d1 x a2 x 4
, pentru d1 x x 2 sau
a3 , pentru
Atunci funciile de risc corespunztoare sunt
,
R1d
3
12
x3.
1
2.500 67.500 ,
12
(2.120)
10
2
30.000 2.500 27.688 , (2.121)
R , d1 40.000
8.000
3
2 1
16 16
16
16
3,
d 1 0
24
10
8.000
24
4,
d 1 6.000
48
10
8.000
2.500 1.167 ,
7 3
24 24
2.500 2.250 .
12 17
48 48
48
(2.122)
(2.123)
n relaiile de mai sus, valoarea de 2.500 a fost costul studiului geologic. Rezult c
aciunea care minimizeaz riscul este d x a , respectiv forajul pentru gsirea apei
1
1
minerale, dar aceast aciune nu este optimal.
Observm c funcia de risc furnizeaz un mijloc de a defini optimalitatea. O funcie de
decizie optimal este aceea care minimizeaz riscul pentru fiecare valoare a lui . Dar, n
majoritatea cazurilor, funcia de decizie optimal nu exist i va trebui s considerm o alt
modalitate de gsire a deciziei optimale, furnizat de procedurile Bayes.
Procedurile Bayes
Dac decidentul dispune de o informaie anterioar despre starea naturii, informaie ce
poate fi descris n termenii unei distribuii de probabilitate iniiale, atunci funciei de risc i se
poate aplica principiul Bayes, care, pentru o distribuie discret, arat c riscul Bayes
corespunztor unei funcii de decizie d i unei distribuii de probabilitate iniiale a lui ,
p k , este dat de
Bd Rd , k p k ,
(2.124)
k
iar dac mulimea strilor este continu i funcia de densitate iniial este p x , atunci
Bd Rd , x p x dx .
(2.125)
Principiul Bayes impune decidentului s aleag funcia d, denumit procedur de decizie
pX k , j .
Fie
condiionat
X k j ProbX j k .
(2.126)
pX k , j X k j p k ,
(2.127)
X j pX k , j X k j p k .
k
(1.128)
Xj
, dat
pX k , j f X j k X j .
(2.129)
Egalnd cele dou forme ale expresiei pentru pX , respectiv relaiile (2.127) i (2.129) i
considernd j x (rezultatul experimentului), obinem distribuia posterioar
Xx
X x
X k
k
.
(2.130)
X x X k x p k ,
(2.131)
k
X x.
f X x f X k k .
(2.132)
k
geologic a clasificat terenul ca fiind din categoria (3). Va trebui s evalum expresiile
f X 3 k , k 1,2,3,4 , unde
3 p k
X k
(2.133)
X 3
, k 1,2,3,4 .
X 3
Avem
X k 3 ProbX 3 k,
(2.134)
probabilitatea ca terenul s fie clasificat din punct de vedere geologic n categoria (3), date
fiind strile i aceste valori se obin din Tabelul 2.7 ca fiind
k
X 13
1 , X 2
2 , X 3
3
17
3
3 , X 4 3 .
12
16
24
48
(2.135)
X 3 X 1 3 p 1 X 2 3 p 2 X 3 3 p 3 X 4 3 p
0,10
(2.136)
12
0,15
16
0,25
24
17
0,50 0,2354 .
48
Probabilitile
X k x p k
X k x p k
distribuia
X x
0,0667
0,0250
0,0083
0,0000
0,0938
0,0281
0,0188
0,0094
0,1042
0,0729
0,0313
0,0417
0,1042
0,1250
0,1771
0,0938
0,3688
0,2510
0,2354
0,1448
f X 3 1
1 12 0,10
(2.137)
0,2354
0,035 ,
f X 3 2
2 15 0,15
(2.138)
0,2354
0,080 ,
f X 3 3
3 24 0,25
0,133 ,
(2.139)
f X 3 4
0,2354
17 48 0,50
(2.140)
0,752 .
0,2354
Valorile complete ale distribuiei posterioare a lui pentru problema noastr de decizie
sunt calculate n Tabelul 2.9.
Tabelul 2.9 Distribuia posterioar a lui
Clasificarea
geologic
(1)
(2)
(3)
(4)
Xx
0,181
0,100
0,035
0,000
0,254
0,112
0,080
0,065
0,282
0,290
0,133
0,288
0,282
0,498
0,752
0,647
(inclusiv costul experimentrii), care este de fapt riscul Bayes estimat n funcie de distribuia
posterioar f a lui , date fiind valorile X x , unde
La, k f
Xx
k , dac
discret
k
B f a M La,
La, y f X x y dy, dac
continu
(2.141)
0,133
6.000 0,752 2.500 642
B f a2 M La2 , 8.000 0,035 8.000 0,080 8.000 , (2.143)
0,133
B f a3
0,133
(2.144)
x2
x3
x4
B f a1
-22.246
-7.956
642
3.795
B f a 2
-5.500
-5.500
-5.500
-5.500
-6.737
-2.168
243
1.529
B f a 3
Sintetiznd valorile calculate pentru procedura Bayes se obin datele din Tabelul 2.11
Tabelul 2.11 Procedura Bayes pentru problema forajului
x
1
2
3
4
Aciunea
Bayes
a1
a1
a2
a2
Riscul Bayes
22.246
7.956
Distribuia
marginal
0,369
0,251
0,235
0,145
5.500
5.500
Rezult c pentru categoriile de teren (1) i (2) aciunea optim este a1 forajul, iar
pentru categoriile de teren (3) i (4) aciunea optim este a2 nchirierea necondiionat a
terenului.
Valoarea experimentrii
nainte de a apela la experimente privind starea naturii (care n majoritatea cazurilor au
costuri semnificative), va trebui s determinm valoarea potenial pe care o pot aduce aceste
experimente.
S presupunem c experimentul ne poate furniza o informaie perfect
despre starea naturii. Dar care este valoarea acestei informaii perfecte? n aplicaia noastr
a problemei de foraj, studiul geologic furnizeaz o informaie imperfect care cost 2.500.
innd cont de probabilitile iniiale, pierderea medie cu informaie perfect, pe care o
notm cu M IP , este dat de
~
B f 22.246 0,369 7.956 0,251 5.500 0,145 5.500 0,145 12.292 .
(2.146)
Atunci valoarea experimentrii (fr costul de 2.500) este dat de diferena ntre suma
ponderat definit n relaia (2.146) i pierderea Bayes fr experimentare, adic
Lexp
care reprezint economia (pierdere negativ) rezultat n urma adoptrii unei proceduri de
decizie optimale cu experimentare.
n fine, pentru a evalua diferena dintre adoptarea decizie dup proceduri Bayes
optimale i neoptimale, calculm riscul mediu ponderat pentru procedura neoptimal,
utiliznd valorile date de relaiile (2.120) (2.123) i valorile probabilitilor iniiale,
obinnd
(2.148)
Scznd valorile date de relaiile (2.146) i 2.148) obinem
Lopt
~
B 12.292 9.496 2.805 ,
(2.149)
DECIZIE FR EXPERIMENTARE
90.000
1
2
12.000
Foraj
12.000
3
4
a1
Fr date
geologice
nchiriere
condiionat
a2
8.000
a3
5.250
27.746
a1
27.746
12.292
a2
8.000
a3
6.737
x1
10.456
2.500
Cu date
geologice
0
6.000
nchiriere
necondiionat
40.000
a1
x2
a2
a3
14.792
a1
8.000
8.000
4.668
1.858
8.000
a2
x3
10.456
a3
x4
8.000
a1
a2
2.257
1.295
8.000
971
a3
DECIZIE CU EXPERIMENTARE
Figura 2.26 Arborele de decizie pentru problema forajului
,i 1,, k , j 1,,l .
a
P1.4: Se asociaz costurile corespunztoare consecinelor i alte costuri ale
problemei de decizie.
Pasul 2. Definirea funciei de pierdere.
P2.1: Funcia de pierdere se definete ntr-un tabel de forma:
Starea naturii
Aciunea
a1
a2
...
al
L1 , a1
L 2 , a1
L 1 , a 2
L 2 , a 2
...
L1 , al
...
...
...
...
...
L k , a1
L k , a2
...
...
...
al
L1 , a1
L 2 , a1
L 1 , a 2
L 2 , a 2
...
...
...
...
...
...
L k , a1
L k , a 2
max L , a
max L ,
a1
max L ,
a
2
...
L1 , al
...
...
P3.2: Se aplic regula de decizie minimax, respectiv se calculeaz minimul
valorilor din ultima coloan a tabelului de mai sus:
min max L , a j , j 1,, l .
(2.150)
P3.3: Se alege aciunea corespunztoare liniei pentru care s-a obinut minimul.
Prob i p i ,i 1,, k ,
(2.151)
Starea
naturii
Probabiliti
iniiale
...
p 1
p 2
...
p k
0 p i 1, i
1,, k
(2.152)
p i 1
i1
La M L , a
ntr-un tabel de forma:
(2.153)
j
a1
a2
L1 , a1 p
1
L1 , a2 p
1
i1
Starea naturii
Aciunea
L , a p i ,
i
L 2 , a1 p
2
L 2 , a 2 p
2
...
...
...
...
...
L k , a1 p k
L k , a2 p k
La
La1
La 2
...
Lal
...
...
...
P5.2: Se aplic regula de decizie Bayes, calculnd minimul valorilor din ultima coloan
a tabelului de mai sus, respectiv min j , j 1,,l .
...
al
La
P5.3: Se alege aciunea Bayes, corespunztoare liniei pentru care s-a obinut minimul.
Dac pentru problema de decizie nu se utilizeaz informaii rezultate din experimentare,
algoritmul se oprete la acest pas. n caz contrar, se continu cu Pasul 6.
B. DECIZIE CU EXPERIMENTARE
Pasul 6. Definirea experimentului.
P6.1: Se definete spaiul de eantionare X i variabila aleatoare X, cu valorile 1,2,, k .
X 1
X 2
...
k
X 2
...
...
X k
...
...
X 1
X 1
X 2
...
...
X k
...
X k
k
a ji A a1 , a2 ,, al , i 1, l , ntr-un
dn
aj
tabel de
2
aj
...
...
k
aj
Rdn ,j C M Ldn x , C
Li j, a
k
Xj
C.
j 1
L 1 ,
a
Rd n , 2
L 2 ,
a
...
R d n , k
L k ,
j1
j1
1 X 1
a
1 X 1
L ,
L ,
a
...
j1
1 X 1
j2
j2
...
1 X 2
...
L ,
jk
jk
R dn , j C
Rd n ,1 C
1 X k
Rd n , 2 C
1 X k
...
C
Rd n , k C
1 X k
L k ,
a
1 X 2
j2
L ,
...
(2.154)
...
1 X 2
...
...
L ,
...
jk
...
min Rd n , i , i 1, k .
(2.155)
i
P7.4: Decizia Bayes (neoptimal) const din alegerea aciunii pentru care s-a obinut
riscul mediu minim.
Dac pentru problema de decizie nu se utilizeaz probabiliti posterioare, algoritmul se
oprete la acest pas. n caz contrar, se continu cu Pasul 8.
Pasul 8. Calculul probabilitilor posterioare.
P8.1: Se calculeaz probabilitile condiionate posterioare
X k
x p
k i
distribuia marginal X x . Datele sunt organizate ca n tabelul de mai jos, care
conine produsul elementelor din tabelele de la P6.2 i P4.1, iar n ultima coloan
k
1
X x
k
...
...
...
...
X 1 p 1 X 1 p 2
1
X 2 p 1 X 2 p 2
2
...
...
k
X k p 1 X k p 2
P8.2: Se calculeaz distribuia posterioar
p k
X k
f X x k
X 1
p k
X 2
p k
X 1
X 2
...
X k
p k
X k
X x
(2.156)
aplicnd relaia de mai sus pentru elementele din tabelele de la P6.2, P4.1 i P8.2,
obinndu-se tabelul de forma de mai jos:
k
x
1
2
X 1
X 1
X 2
X 2
X k
Xx
X k
...
...
...
X 1
X 2
f X k k
x1
La ,1 f
C
La ,1 f
a C
B f aj C
1
j2
B a
f
j1
j2
1
1
La ,2 f
La ,2 f
2 C
2 C
j1
j2
L a
jk
C , i 1, l .
(2.157)
Xx
x2
jk
,2 f 2
La
C
La
xk
j1
j2
, k f k
, k f k
C
P9.2: Se stabilete decizia privind aciunile Bayes, considernd minimul valorilor pe
coloan din tabelul de mai sus. Se obine un tabel de forma:
x
Aciunea
Bayes
Riscul Bayes
Distribuia
marginal
1
2
aj
k
C
min B a
C
min B f a j
k
aj
aj
X 2
j2
X 1
X k
M IP Lak , k p k .
(2.158)
k
C IP min La j M IP .
(2.159)
~
B f B f a j k X k .
k
(2.160)
Lexp
f min
~
B L a
(2.161)
Rnd k , C p k .
(2.162)
k
~
~
Lopt
B f B .
(2.163)
durata festivalului cerul va fi nnorat, pierderile vor fi de 10.000, iar dac timpul va fi frumos
i nsorit, festivalul va aduce un profit de 20.000. Costul instalrii echipamentului tehnic
necesar desfurrii festivalului este de 2.000, pierdere care s-ar nregistra dac
echipamentul ar fi instalat, iar festivalul ar fi anulat. La momentul respectiv, organizatorii vor
putea beneficia de un buletin meteo pentru prognoza vremii n perioada festivalului, de la o
filial a unui institut meteorologic, care a sintetizat datele de predicie a vremii. S remarcm
faptul c suntem n faa unei probleme de decizie fr experimentare (cazul A) dac
organizatorii festivalului (decidentul) nu utilizeaz prognoza meteo sau o problem de decizie
cu experimentare (cazul B), dac vor lua n considerare prognoza din buletinul meteo.
A. DECIZIE FR EXPERIMENTARE
Pasul 1. Definirea problemei de decizie.
P1.1: Spaiul de aciune: A a1 , a2 , unde:
a1 :
2 : Nori;
3 : Soare.
P1.3: Consecine:
Consecine
a1 ,1
a1 , 2
a1 ,3
a2 ,1
a2 , 2
a2 , 3
Aciuni
Organizare festival instalare echipament
Organizare festival instalare echipament
Organizare festival instalare echipament
Anulare festival neinstalare echipament
Anulare festival neinstalare echipament
Anulare festival neinstalare echipament
Stri
Ploaie
Nori
Soare
Ploaie
Nori
Soare
a2 ,1
a2 , 2
a2 , 3
Costuri
2.000
2.000
2.000
Profit
30.000
10.000
20.000
Aciunea
Starea naturii
1
a1
a2
30.000
2.000
10.000
2.000
20.000
2.000
max L ,
a j 30.000
2.000
a
P3.3: Decizia minimax: Aciunea a2 Neinstalare echipament i anulare festival.
Pasul 4. Definirea probabilitilor iniiale.
P4.1: Probabilitile iniiale sunt:
Starea naturii
Probabiliti iniiale
0,10
0,30
0,40
Starea naturii
1
L a j
a1
a2
3.000
200
3.000
600
12.000
1.200
6.000
2.000
min
La
6.000 .
x 1 Prognoz ploaie;
x 2 Prognoz nori;
x 3 Prognoz soare.
P6.2: Probabilitile condiionate ca urmare a experimentului sunt date n tabelul
urmtor.
P6.3: Costul experimentului C 1.500 (costul studiului de prognoz meteo).
X i
1
2
3
7/10
2/10
1/10
2/10
6/10
2/10
1/10
2/10
7/10
1
a2
dn
2
a2
3
a1
Rd n , j C
1.400
400
200
400
1.200
400
3.000
2.000
14.000
1.500
1.500
1.500
6.300
5.100
11.900
min Rd n , i 11.900 .
i
a1 organizarea festivalului.
X k x p k
X x
1
2
3
0,07
0,02
0,01
0,06
0,18
0,06
0,06
0,12
0,42
Xx
0,19
0,32
0,49
1
2
3
0,368
0,063
0,020
0,316
0,563
0,122
0,316
0,375
0,857
x=1
x=2
x=3
9.395
1.500
13.806
3.500
3.500
4.000
Aciunea Bayes
Riscul Bayes
Distribuia
marginal
1
2
3
a2
a1
a1
3.500
1.500
13.806
0,19
0,32
0,49
M IP Lak , k p k 11.200 .
k
C IP min
La
M IP 5.200 .
~
B f a jk X k 5.620 .
B fk
P10.4: Valoarea experimentului (fr costul acestuia):
Lexp
f min
~
B La
6.000 .
~
B Rd n , k C pk 4.980 .
k
~
~
Lopt f B 640 .
B
1 (0,10)
DECIZIE FR EXPERIMENTARE
- 6
. 0
2 (0,30)
. 0
. 0
Instalare
- 6
. 0
a1
Fr date
m
3 (0,60)
. 0
1 (0,10)
e i n
s t a
l a
r e
3 (0,60)
- 6
. 0
0
3
. 5
. 0
. 0
. 0
. 0
. 3
. 5
. 5
. 5
. 8
(0,30)
e t e o
- 2
. 5
a1
a 2
x = 1 (0,190)
Cu date
meteo
- 7
. 1
. 5
a1
x = 2 (0,320)
x = 3 (0,490)
- 1
. 8
a1
a2
- 1
. 0
I Z
I E
I M