Modele de Decizie Aplicate in Economie

FACULTATEA DE FINANE, BNCI I CONTABILITATE BRAOV
CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A

PROCESELOR ECONOMICE
TEMA 2
MODELE DE DECIZIE APLICATE N ECONOMIE

Conf. univ. dr. Nicolae BRSAN-PIPU Facultatea
de Finane, Bnci i Contabilitate Braov
Universitatea Cretin Dimitrie Cantemir
2.1
DEFINIREA PROBLEMEI DE DECIZIE

2.1.1 Contextul problemei de decizie
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
CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A PROCESELOR

ECONOMICE
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
TEMA 2: MODELE DE DECIZIE APLICATE N ECONOMIE
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.

ECONOMICE
2.1.2 Scurt istoric al teoriei deciziei

ncercnd o scurt schi istoric a evoluiei conceptelor din teoria deciziei, care are de
fapt o istorie recent de circa 50 de ani, s remarcm faptul c teoria probabilitilor,
statistica, teoria utilitii i teoria jocurilor sunt principalele domenii ale matematicii care se
utilizeaz pentru rezolvarea problemelor de decizie.
Primele idei de teoria probabilitilor se consider c au fost introduse de Cardano, n
anul 1550, n lucrarea Liber de Ludo Aleae (Carte asupra jocurilor de noroc). Tot de
jocurile de noroc i de numele lui Pascal i Fermat se leag principiile de baz ale teoriei
probabilitilor, coninute ntr-un schimb de scrisori ntre cei doi n anul 1654, ca rezolvare a
unei probleme din jocul de zaruri. Omul de tiin olandez Christian Huygens, pe baza
conceptelor lui Pascal i Fermat, a publicat n anul 1657 prima carte de teoria probabilitilor,
intitulat De Ratiociniis in Ludo Aleae (Asupra raionamentelor n jocurile de noroc). n
secolul al XVIII-lea, teoria probabilitilor devine din ce n ce mai popular, contribuii
importante avnd Jacob Bernoulli (Ars Conjectandi 1713) i Abraham de Moivre
(Doctrine of Chances 1713). Bernoulli este primul care demonstreaz prima teorem
limit a probabilitilor, respectiv legea numerelor mari. Secolul al XIX-lea constituie
nceputul abordrii moderne n teoria probabilitilor i n statistica matematic. Carl
Friederich Gauss arat, n anul 1809, c repartiia normal (celebrul clopot al lui Gauss)
reprezint un model matematic adecvat pentru distribuia erorilor de msurare. n anul 1812,
Pierre de Laplace n lucrarea Thorie Analytique des Probabilits dezvolt noi idei i noi
domenii de aplicare a probabilitilor n afara jocurilor de noroc, cum sunt teoria erorilor (la
care contribuii importante a adus i Gauss), matematicile actuariale, mecanica statistic .a.
n a doua jumtate a secolului XIX, se pot consemna numele lui Chebyshev i Markov n
domeniul probabilitilor i ale lui Galton i Pearson n statistica matematic.
Ca i n alte domenii ale matematicii, dezvoltarea teoriei probabilitilor a fost stimulat
de diversitatea aplicaiilor sale. Statistica matematic este unul din cele importante domenii
aplicare a probabilitilor. Statistica era la nceputurile sale o tiin politic cu originile n
Germania i este destul de dificil de apreciat cnd termenul a fost utilizat n sens matematic
pur. De la primele sale obiective, de a sistematiza informaiile despre stare societii (deci o
matematic a statului), statistica i-a dovedit n ultimele dou secole aplicaiile sale n toate
domeniile tiinifice i sociale.
Ultimul secol a consemnat dezvoltrile teoretice importante ale lui von Mises, Keynes,
de Finetti, Borel i Kolmogorov, ultimul avnd o contribuie remarcabil n axiomatizarea
modern a teoriei probabilitilor. Evident c lista celor care i-au adus aportul la dezvoltarea
teoriei probabilitilor este departe de a fi complet i conine numai o parte din marile nume
n domeniu. i n statistica matematic pot fi menionate, cum ar fi cele aduse de Fisher,
Pearson, Neymann etc. n ultimele decenii, teoria probabilitilor a fost integrat ntr-o
disciplin mai general i anume n teoria msurii. i coala romneasc de teoria
probabilitilor i statistic matematic are n ultima jumtate de secol rezultate teoretice i
practice importante, datorate ndeosebi academicienilor Octav Onicescu, Gheorghe Mihoc i

Marius Iosifescu. Teoria probabilitilor i statistica matematic se studiaz sistematic n toate
facultile de matematic din ar.
Conceptele de teoria utilitii au fost introduse iniial de von Neumann i Morgerstern n
lucrarea Theory of Games and Economic Behaviour (1947). Contribuia principal la
construirea unei adevrate teorii a deciziei este adus de Abraham Wald prin lucrarea
fundamental Statistical Decision Functions (1950). Wald abordeaz problemele
fundamentale ale statisticii matematice ca fiind probleme de decizie. Generaliznd problemele
de estimaie i de verificare a ipotezelor statistice, Wald a formulat modelul general al
n anii 60 70, contribuii semnificative la dezvoltarea teoriei deciziei au adus L. J.
Savage, D. Luce, H. Raifa, K. Arrow i alii. Eforturile s-au concentrat pe rezolvarea unor
probleme de decizie complexe ale societii contemporane, cu o mare cantitate de informaie,
pe care numai calculatoarele electronice care au cunoscut i ele o dezvoltare exploziv n
aceast perioad o pot prelucra pe baza algoritmilor i a modelelor dezvoltate n teoria
deciziei.
n literatura de specialitate din ara noastr, direciile de cercetare n domeniul teoriei
deciziei s-au concentrat asupra abordrii probabiliste i statistice datorat profesorilor M.
Malia i C. Zidroiu (abordare de tipul celei prezentate n cadrul acestui capitol), dar i
aspecte de decizie din teoria jocurilor (abordare pe care nu o vom discuta aici). Nu vom
discuta, de asemenea, n cadrul acestui capitol, nici procesele de decizie stocastice care
implic utilizarea lanurilor Markov i care necesit un aparat probabilistic mai avansat.

ECONOMICE
2.2
MODELUL MATEMATIC AL PROBLEMEI DE DECIZIE

2.2.1 Elementele generale ale modelului
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
de care dispune decidentul;
Definim o mulime , denumit spaiu de parametri, alctuit din toate strile

naturii posibile . O singur stare a naturii i numai una va aprea, dar starea
adevrat nu este cunoscut de decident n momentul n care el alege o aciune;
Definim o funcie L, denumit funcie de pierdere, cu domeniul i cu valori n
mulimea R (mulimea numerelor reale). L este constituit din perechile ordonate

, a , , a , denumite consecine (ale alegerii aciunii a, atunci cnd
starea
adevrat a naturii este );
Considerm variabila aleatoare X, care are valorile posibile x X , denumit spaiu de
eantionare. Variabila aleatoare X are funcia de densitate de probabilitate n familia

f x ; ;
Definim mulimea D, denumit spaiu de decizie, alctuit din toate aplicaiile d din X n
A.
Interpretarea modelului de mai sus este urmtoarea. n momentul n care decidentul i

alege aciunea, el nu cunoate adevrata stare a naturii i deci nu cunoate consecina
actual a aciunii sale (dac el alege a A , atunci consecina actual , este
necunoscut, deoarece starea este necunoscut). Decidentul tie totui pierderea care
ar rezulta pentru fiecare din consecinele posibile , a , corespunztoare cu alegerea
aciunii
a
A
i starea naturii . Desigur, pierderea poate fi i ctig, caz n care valoarea
lui L , a va fi negativ. Ca alternativ la funcia de pierdere, putem s lucrm cu o funcie

de ctig sau o funcie de utilitate. Pentru a reduce incertitudinea asupra strii ,
decidentul culege informaie sub forma observrii unei variabile aleatoare X, a crui
distribuie de probabilitate depinde de parametrul . tiind c X x i tiind forma lui
f x , decidentul poate extrage informaie despre parametrul , care s l ajute n
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 ,
pe baza observaiilor asupra valorilor variabilei aleatoare x X . Alegerea unei strategii

generale, care definete pentru fiecare X x , alegerea lui a, este echivalent cu alegerea
funciei de decizie d D . Dup ce a fost aleas, funcia de decizie d specific aciunile care
trebuie s fie aplicate pentru toate valorile posibile X x .
Teoria deciziei poate fi vzut ca fiind studiul selectrii deciziei d din mulimea D.
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
este estimarea lui
specificat de d. Dac valoarea adevrat a parametrului este , vom avea o pierdere

pentru a minimiza pierderea;
d x 2 . Dac, n fapt, , va trebui s lum
d x
0
dac ns 1 , va trebui s lum d x 1 . Dar deoarece nu tim valoarea lui , nu

vom
putea selecta d x pentru minimizarea pierderii. Din punct de vedere matematic, problema
nu este bine definit.
O metod posibil pentru alegerea unei funcii de decizie d ct mai bune, n termenii
unei cantiti care s poat fi calculat, este gsirea unei msuri care s evalueze n medie
strategia de decizie aleas.
Fie funcia R, definit pe D cu valori reale, definit prin
R , d L , d x f x
(X continu)
(2.1)
(X discret).
(2.2)
dx
R , d L , d x f
xX
Funcia R se numete funcia de risc a lui d, evaluat pentru .

Riscul R , d msoar deci valoarea medie a pierderii (sau valoarea ateptat a

ECONOMICE
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
raport cu X exist, astfel nct
M X g x, g x, f x dx .
(2.4)
X
Putem utiliza de asemenea i operatorul pentru varian V X , definit ca
VX g x, M X g x, M
2
g x, 2 .
(2.5)
Exemplul 2.1 S analizm problema estimrii parametrului , utiliznd funcia de pierdere

ptratic
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,
N 0,1 . Considerm urmtoarele reguli de

decizie:
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
innd cont c mediana are o distribuie normal
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)
Funciile de risc pentru d1 , d i d 3 sunt reprezentate n Figura 2.1

2
R , d
d3
1,57
n
d2
1
n
d1
Figura 2.1 Funciile de risc pentru deciziile d1, d2 i d3

n condiiile problemei noastre (distribuie normal i funcie de pierdere ptratic), se
observ c mediana nu este un estimator acceptabil, avnd n vedere c funcia de risc a
mediei are toate valorile mai mici dect ale medianei, pentru orice . n acelai timp, media
nu este n mod necesar un estimator mai bun dect d , innd cont c n vecintatea lui 0,
3
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
N , cu 0 , adic o distribuie normal avnd media i dispersia egale cu . Vom

,
estima parametrul utiliznd aceeai funcie de pierdere ptratic L , a a 2 .
Considerm funciile de decizie
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
Calculnd funciile de risc, obinem
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)
dar deoarece M X d 2 X , obinem
22
R , d 2 n 1 .
(2.17)

ECONOMICE
n 1 R , d R , d dac n 1
1
2
i
,
Rezult c R , d1 R , d 2 dac
egalitatea avnd loc dac
2n
2n
n1
. Graficele funciilor de risc corespunztoare deciziilor d 1
2n
i d 2 pentru n 2 sunt reprezentate n Figura 2.2.

R , d
d2
d1
1/8
1/4
Figura 2.2 Funciile de risc pentru deciziile d1, i d2

Analiznd figura de mai sus, observm c dac tim c 1 4 , atunci
decizia
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
Figura 2.3 Dou funciile de risc ipotetice
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)
minimizeaz riscul maxim;

Considerarea i a altor informaii de care dispunem i analizarea valorilor lui care
este probabil s apar. Dac suntem convini c valorile lui vor fi n intervalul n care
d 2 are riscul maxim, atunci vom alege d . Dac, pe de alt parte, avem convingerea c
1
este puin probabil ca valorile lui s fie n intervalul de risc maxim, atunci vom alege
d 2 . n ambele cazuri, n analiz am introdus convingerile noastre privind valorile lui .

Aceste exemple intuitive ne conduc la urmtoarea formalizare. Pentru a), vom alege
decizia d astfel nct
sup R , d * inf sup R , d .
*
(2.18)
dD
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
de decizie minimax. Pentru b), presupunem c convingerile noastre referitoare la pot fi

reprezentate sub forma unei funcii de densitate de probabilitate p cu domeniul . De
exemplu, n Figura 2.4 sunt reprezentate dou distribuii posibile p1 i p 2 pentru distribuia
convingerii (n englez belief distribution) p pe care le asumm pentru .
Am vzut c funcia de risc R , d exprim pierderea medie pentru decizia d,
condiionat de faptul c este adevrata stare a naturii. Considernd R , d o funcie de
, pentru d fixat, putem s calculm valoarea sa medie n raport cu distribuia convingerii

p .
Definim riscul Bayes Bd pentru o funcie de decizie d ca fiind
Bd R , d p d , ( continu)
sau
(2.19)
Bd R , d p , ( discret)
(2.20)


ECONOMICE
R , d
p1
p2
Figura 2.4 Forme posibile ale distribuiei convingerii

Este natural s cutm acum o funcie de decizie care minimizeaz pierderea total,
adic
Bd M M X L , d x .
(2.21)
d * este, prin definiie, o funcie de decizie Bayes dac

Bd * inf Bd .
(2.22)
dD
S remarcm c, dat fiind o problem de decizie, d
nu este unic deoarece ea
depinde de alegerea lui p . Spunem c d este o funcie de decizie Bayes n raport cu

p .
*
Exemplul urmtor ilustreaz abordrile minimax i Bayes.
Exemplul 2.3 Pentru problema de decizie din Exemplul 2.1 avem
1
,
n
1,57
sup R , d 2
,
n
sup R , d 3 ,
sup R , d1
(2.23)
(2.24)
(2.25)
S presupunem acum c suntem siguri c variaz n intervalul
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
Atunci funciile de risc Bayes sunt
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
Rezult c dac n 300 , funcia de decizie Bayes

este
d 1 , dac n 300 atunci d 1 i
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)
i deci pentru n 3 , d 1 este decizia preferat din punct de vedere Bayes.

Am analizat pn acum dou abordri posibile pentru alegerea regulilor de
decizie, respectiv abordarea minimax i abordarea Bayes. Din exemplele anterioare, a rezultat
c aceste abordri conduc, n general, la rspunsuri diferite privind alegerea funciei de
decizie optimale (dei pentru anumite alegeri a priori ale distribuiilor de probabilitate ale
convingerii privind starea naturii, cele dou abordri pot conduce la acelai rezultat).
2.2.3 Decizii admisibile
S considerm funciile de risc din Figura 2.5. Este clar c funciile d 1 i d 2 vor fi
eliminate de la nceput din analiz. Funciile d 3 i d au un risc relativ similar i rmne s
4
alegem ntre ele.
R , d
d1
d2
d3
d4
Figura 2.5 Funciile de risc pentru diferite funcii de decizie

ECONOMICE
Fiind dat o funcie de decizie d D , dac exist o alt

proprietile
funcie
d
D
R , d R , d pentru orice valori ,
care satisface
(2.31)
i
R 0 , d R 0 , d pentru anumite valori 0 ,

(2.32)
atunci decizia d este dominat de decizia d sau d domin d .

O funcie de decizie care este dominat de o alt funcie de decizie se numete
inadmisibil. n caz contrar, decizia se numete admisibil.
n Figura 2.5 considernd spaiul de decizie D d , d , d , d ,
d 1 i d 2
1
2
3
4
rezult c
sunt dominate de d 3 i d i deci sunt inadmisibile, iar d i d sunt admisibile deoarece
4
3
4
nici una nu o domin pe cealalt. Utilitatea conceptului de admisibilitate este natural,
deoarece ne permite eliminarea deciziilor inadmisibile i concentrarea eforturilor pentru
alegerea deciziilor celor mai bune dintre cele admisibile.
2.2.4 Interpretarea geometric

Pentru reprezentarea i interpretarea geometric a problemei de decizie, vom considera
cazul k 2 pentru spaiul de parametri k-dimensional 1 , 2 ,, k . Fie o problem
de
decizie cu spaiul de aciune A a , a , a , cu spaiul
1
2
3
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 . Vom defini riscul pentru decizia aleatoare ca fiind

R , R , d1 1 R , d 2 .
(2.36)
Mai general, dac , ,, ,
1
2
m
defini decizia aleatoare
cu
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)
Considernd combinaiile aleatoare ale tuturor elementelor lui D, obinem mulimea

tuturor regulilor de decizie aleatoare D* . Avem evident D
i notm cu un element
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)
reprezint mulimea k-uplurilor ordonate
y1 ,, yk
de
numere reale. S este o submulime a lui R alctuit din punctele ale cror coordonate sunt
k
componentele j ale riscului R j , , corespunztoare deciziei aleatoare . S

remarcm
faptul c S este o mulime convex, adic orice dreapt care unete dou puncte din S
nu
iese n afara lui S . Aceast proprietate este ilustrat i n Figura 2.6,
k 2 . Toate
pentru
punctele de pe dreapta care unete punctele de risc pentru d i d , corespund punctului de
1
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 ,
Figura 2.6 Forma general convex a mulimii de risc S

ECONOMICE
Vom folosi aceast proprietate pentru a da o interpretare geometric abordrilor

minimax i Bayes.
sup R , devine, pentru mulimea
Abordarea minimax. Pentru D* ,
cantitatea

max j y ,
strilor 1 , 2 ,, k ,
chiar
unde
y y1 ,, y k este punctul de risc
corespunztor lui .
Abordarea minimax compar regulile de decizie n termenii max
, astfel nct toate

j
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 ,
Figura 2.7 Interpretarea geometric a abordrii minimax

Abordarea Bayes. Pentru 1 , 2 ,, s considerm distribuia iniial (a
k
priori) a convingerii dat de
p p1 , p2 ,, pk , astfel
nct
pi 0, i 1,, k
i
p1 p2 pk 1. Riscul Bayes pentru regula de decizie aleatoare este dat de

k
B p j R j , p j y j .
(2.40)
j 1
j 1
Acesta definete un hiperplan n spaiul k-dimensional. Pentru simplificare, dac k 2 ,

toate punctele y y , y care dau aceeai valoare de risc Bayes, aparin unei drepte de
forma
p1 y1 p2 y2
const.
(2.41)
Deoarece 0 p1 , p2 1
i
p1 p2 1 , aceast dreapt va avea o orientare NV SE. Dar
abordarea Bayes urmrete minimizarea p y p y ; rezult c regula de decizie Bayes are

1 1
2 2
punctul de risc n punctul n care dreapta p y p y
1 1
2 2
B este tangent la marginea
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
Figura 2.8 Interpretarea geometric a abordrii Bayes

Exemplul 2.4 Presupunem c pentru o problem de decizie cu spaiul strilor 1 , 2
i
spaiul de decizie D d1 , d 2 , d 3 , d 4 , d 5 , funcia
de risc
R , d
este definit de valorile
din Tabelul 2.2, dup cum urmeaz:

Tabelul 2.2 Funcia de risc pentru Exemplul 2.4
d1
d2
d3
d4
d5
1
2
0
4
4
5
2
0
1
1
5
4
Cele 5 puncte de risc corespunztoare elementelor lui D i mulimea S sunt

reprezentate n Figura 2.9. S este alctuit din toate punctele de risc care pot fi obinute din
combinarea aleatoare a celor 5 puncte de risc iniiale.
R 2 ,
=y 2
d2
d1
d5
S
d4
d3
R 1 ,
Figura 2.9 Mulimea S corespunztoare funciei de risc d=iyn1 Tabelul 2.4

ECONOMICE
Regulile de decizie admisibile corespund punctelor din S care nu au puncte situate la S

E de ele; aceasta nseamn c nu putem s gsim un care s reduc o component de risc
fr a o crete pe cealalt.
n cazul nostru, mulimea regulilor admisibile corespunde punctelor situate ntre d 1 i
d 4 , ct i d 4 i d 3 . Cu alte cuvinte, ea este alctuit din combinarea aleatoare a d 1 i d 4 sau

a d 4 i d 3 .
d 4 , deoarece echerul de 90 intersecteaz S n mod
Rezult c regula minimax este
unic n punctul d 4 .
Regula Bayes depinde de alegerea perechii p1 , p 2 . Plecnd de la vertical ( p1 1 )

i
variind valorile lui p1 pn la orizontal ( p1 0 ), obinem deciziile Bayes din Tabelul 2.3.
Analiznd rezultatele din tabelul menionat, observm c avem situaii n care regulile
de decizie nu sunt unice.
Tabelul 2.3 Re gulile de decizie Bayes pentru Exemplul 2.4
p1
(unic)
Decizia Bayes
p1 3 4
d1
p1 3 4
Orice combinaie aleatoare a lui d1 i d 4
3 4 p1 1 2
d4
(unic)
p1 1 2
Orice combinaie aleatoare a lui d 4 i d 3
p1 1 2
d3
(unic)
2.2.5 Cteva teoreme de baz

Rezultatele care urmeaz stabilesc relaiile ntre conceptele de admisibilitate i regulile
de decizie minimax i Bayes. S remarcm mai nti c este posibil s avem dou funcii de
decizie 1 , 2
R , 1 R , 2 . n acest caz spunem c
astfel nct 1 2 ,
D*
dar
1
i 2 sunt egale pn la echivalen.
Teorema 2.1 Pentru o problem de decizie cu , A,
arbitrare i X spaiul de eantionare
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
este inadmisibil. Atunci exist
D*
astfel nct
R , R , * , pentru toate valorile ,

(2.42)
i
R 0 , R 0 , * , pentru valoarea 0 ,
(2.43)
Pentru cazul continuu i densitatea de probabilitate p rezult
B R , p d R , * p d B * .
(2.44)
Dar relaia nu poate fi < deoarece ar contrazice faptul c
este Bayes, iar relaia nu
poate fi deoarece ar contrazice faptul c
este unic pn la echivalen. Avem o
contradicie i deci
este admisibil
Cazul discret se demonstreaz similar.

Urmtoarea teorem se refer la proprietatea c pentru o decizie Bayes cu finit i
probabilitile iniiale p 0 rezult c decizia este admisibil.
i
*
D*
Teorema 2.2 Dac 1 , 2 ,, k
este decizia Bayes pentru
p1 , p2 ,, pk ,
p j 0, j 1,, k , atunci este admisibil .

*
unde
Demonstraie. S presupunem mai nti c
nu este admisibil. Atunci exist D*
*
astfel nct:
R j ,
, * , pentru toate
j 1,, k ,
(2.45)
valorile
R i , R i , * , pentru valoarea i,
(2.46)
(adic exist care domin * ). Rezult

k
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)
deci avem o contradicie i rezult c este admisibil
*
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
1 , astfel nct este o
decizie Bayes n raport cu p.

Demonstraie (cazul k 2 ). Fie x punctul de risc corespunztor lui
i fie Q x mulimea
punctelor din planul situat la S V de x. Fie Q Q x . Deoarece este admisibil,

x
x
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
p1 p2 1 . Aceast dreapt este tangent la S i
* este o decizie Bayes n raport cu p1 , p2

Teoremele anterioare ne-au prezentat o imagine a tipului de legtur care exist ntre
deciziile admisibile i deciziile Bayes.
Urmtoarele teoreme ne vor arta conexiunile dintre deciziile admisibile i deciziile
minimax.

ECONOMICE
Teorema 2.4 Dac pentru o problem de decizie dat
*
* este admisibil .
Demonstraie. S presupunem c
este unica decizie minimax, atunci
nu este admisibil. Atunci exist
astfel nct
D*
R , R , * , pentru toate valorile ,

(2.49)
n continuare avem R 0 , R 0 , * , pentru valoarea 0 .

(2.50)
sup R , sup R , * .
(2.51)
Inegalitatea strict ar contrazice faptul c *

faptul c
este minimax; egalitatea ar contrazice
este unic.
Rezult c ipoteza iniial a inadmisibilitii este fals i teorema este demonstrat

este admisibil i
Teorema 2.5 Dac pentru o problem de decizie dat
*
R , * const. pentru orice , atunci este minimax.
*
Demonstraie. Presupunem contrariul. Atunci exist c
D*
astfel nct
sup R , sup R , * .
(2.52)

Dar dac
R , * const. , R , R , * , pentru toate
atunci valorile
Aceasta contrazice faptul c
este admisibil i teorema este demonstrat
*
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
Teorema 2.6 Funcia Bayes de decizie
corespunztoare convingerii iniiale p este
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)
Demonstraie. Scriind expresia riscului Bayes rezult
B R , p d
L , x f x dx p d
X
(2.56)
de unde, schimbnd ordinea de integrare, obinem
B
(2.57)
L , x p x d f x dx ,
tiind c din definiia funciei de densitate de probabilitate condiionate avem

f x p p x f x .
(2.58)
Determinarea unei valori
care s minimizeze
este echivalent cu minimizarea
integralei din enunul teoremei

Din teorema a crei demonstraie am schiat-o mai sus, rezult c determinarea
deciziilor Bayes se poate realiza n dou etape: n prima, se determin probabilitatea
condiionat p x utiliznd teorema lui Bayes; n a doua etap, se minimizeaz pierderea
medie posterioar.
Modelul statistico-matematic al problemei de decizie analizat n aceast seciune a
pus n eviden dou stadii n utilizarea informaiei statistice pentru decizie. Primul stadiu este
decizia fr experimentare, respectiv decizia n care decidentul nu utilizeaz nici un fel de
informaii rezultate din efectuarea unor experimente statistice asupra condiiilor problemei
sale. Abordarea minimax sau abordarea Bayes numai cu probabiliti iniiale pentru distribuia
convingerii sunt exemple de decizie fr experimentare. Al doilea stadiu l reprezint decizia
cu experimentare, respectiv decizia n care decidentul utilizeaz probabiliti condiionate
posterioare pentru modelul de decizie. Procedurile Bayes sunt exemple de decizie cu
experimentare
Aceste dou stadii de decizie fr sau cu informaie rezultat din experimente statistice
legate de problema de decizie, evideniaz legtura direct ntre teoria deciziei i statistic,
elemente pe care le vom detalia n seciunile urmtoare.

ECONOMICE
2.3 TEORIA DECIZIEI I STATISTICA

2.3.1 Estimarea
Aa cum am artat anterior, problema estimrii unui parametru necunoscut poate fi
vzut ca un caz special al unei probleme generale de decizie n care A , adic
aciunea necesar este alegerea unui element din spaiul de parametri. De altfel, dac este
vorba de
funcii de decizie Bayes, Teorema 2.6 din seciunea anterioar stabilete c o astfel de funcie
de decizie, , este definit prin alegerea, pentru fiecare X x , a aciunii a
care
minimizeaz pierderea medie posterioar
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
denumit funcia de pierdere ptratic, estimarea
Bayes este dat de media distribuiei posterioare.

a x pentru a minimiza
Demonstraie. Trebuie s alegem
a 2 p x d .
(2.60)
Difereniind n raport cu a i egalnd cu 0, obinem
p x d
p x d p x d ,
deoarece
(2.61)
p x d 1
(2.62)
Teorema 2.8 Dac
L , a
denumit funcia de pierdere absolut, estimarea Bayes
a
este dat de mediana distribuiei posterioare.

Demonstraie. Considerm cazul R . Trebuie s alegem a pentru a minimiza pierderea
medie posterioar
a p x d a p x d a p x d .
(2.63)
Difereniind n raport cu a i egalnd cu 0 i innd cont c

a
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)
iar dac adoptm x a1 avem
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)
Relaia de mai sus are urmtoarea semnificaie: respingem H 0 dac raportul de

verosimilitate al lui 0 i 1 este mai mic dect o anumit valoare.

ECONOMICE
2.3.3 Lema Neyman - Pearson

Considernd L L 1, calculm mai nti
01
10
riscul
pentru X X , X
0
pentru x X i ,i 1,2 .
(2.70)
x
ai
1 i
R , , unde este definit
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
este probabilitatea erorii de tipul I. De asemenea,

R1 , L1 , x f x 1 dx
X
(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
mulimii S sunt atinse de testele care ntotdeauna accept sau

H 0 , independent de x ;
resping
aceste puncte aparin lui S. Avnd n vedere simetria i convexitatea lui S, reprezentarea
geometric a lui pentru aceast problem de testare a ipotezelor statistice este redat n Figura
2.11. Testele admisibile sunt date de punctele de risc situate pe marginea inferioar (SV) a lui
S. Dar aceste puncte sunt caracterizate de abordarea Neyman Pearson:
Lema Neyman Pearson. Cu o funcie de pierdere 01, testele admisibile pentru ipoteza
H 0 : 0 fa H1 : 1 sunt definite de
de
D*; x a1
dac
f x 0
k , pentru k R .
f x 1 (2.73)
Figura 2.11 Mulimea de risc pentru H0 fa de H1
2.4 ATITUDINI FA DE RISC I TEORIA UTILITII

2.4.1 Aversiunea la risc
Vom analiza n continuare din punct de vedere matematic problema asumrii riscului.
Aceasta nseamn problema deciziei de a rmne ntr-o stare neschimbat (status quo) sau de
a intra ntr-o situaie de incertitudine, care poate s duc la ctig sau la pierdere.
Principalele exemple practice de asemenea probleme sunt cele din asigurri (primele de
asigurare conduc la ctig, dar plata despgubirilor pentru accidente sau dezastre poate
conduce la pierdere); din agricultur (plata pentru recolt poate duce la ctig, dar seceta,
bolile sau alte dezastre naturale pot duce la pierdere) sau de la jocurile de noroc (o sum
iniial este pltit de juctor i rezultatul jocului poate fi ctig sau pierdere, n funcie de
tipul de joc i de regulile acestuia: curse, joc de cri, joc de zaruri, rulet .a.).
n Figura 2.12 este prezentat n mod schematic o problem de decizie simpl, care
sintetizeaz elementele unei probleme de asumare a riscului. Este vorba de problema unui joc
de noroc, n care fr incertitudine implic meninerea strii de status quo (juctorul nu joac),
iar cealalt conduce la o situaie de incertitudine prin faptul c juctorul particip la joc cu o
sum iniial. Cu notaiile anterioare, spaiul de aciune A a , a este alctuit din aciunile:
1
juctorul nu joac,
a1 :
a 2 : juctorul joac,
spaiul parametrilor 1 , 2 , 3 este constituit din strile:
1 :
status quo,
2 : ctig,
3 : pierdere,
iar consecinele sunt:
1 , a1 : suma juctorului rmne neschimbat,
2 , a 2 :
3 , a 2 :
suma juctorului crete cu valoarea premiului,

suma juctorului descrete cu suma jucat.
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,
este pierderea pentru aciunea aleas a
astfel nct L ,
, dac rezultatul ar fi .
j
este valoarea
Introducem acum funcia de utilitate U : A R , n care U i
,a
pozitiv sau utilitatea obinut pentru o consecin alctuit din aciunea a
j
i rezultatul

ECONOMICE
i . Putem considera utilitatea ca o pierdere negativ. ntr-o serie de probleme de decizie

o asemenea abordare este natural, avnd n vedere c urmrim maximizarea utilitii printr-o
decizie optimal.
Aciuni
Rezultate posibile
Consecine
Nici o schimbare
Status quo
1
1 , a1
Nu joac
Ctig
Joac
Recuperarea sumei
jucate plus
suma ctigat
2 , a 2
Pierderea
sumei
jucate
Pierdere
3
3 , a 2
Figura 2.12 Schema unei probleme simple de asumare a riscului

Pentru problema de joc considerat anterior, s notm cu C suma curent de care
dispune juctorul, cu S suma jucat i cu P suma net ctigat sau premiul ctigat. S
presupunem, de asemenea c, dat fiind a , p 1 (ceea ce nseamn c dac juctorul nu
1
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
putem considera la fel de probabile).

n termeni monetari, consecinele sunt
1 , a1 C , 2 , a2 C P ,
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 )
Aceast schem este ilustrat n Figura 2.13, n care am considerat S 0, P S .

S considerm acum cazul special P S , respectiv n termeni monetari, un joc
echilibrat. Avem
C S C S .
(2.75)
Ne punem problema s vedem n ce circumstane decidentul va alege sau nu aciunea a2

(s joace). Observm c a2 va fi aleas dac
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
Figura 2.13 Utilitatea medie pentru aciunile a1 i a2

S considerm acum forma continu a funciei de utilitate, astfel nct pentru orice
valori ale lui C i S, decidentul alege fie a , fie a , fie este indiferent, aa cum este
1
2
reprezentat n Figura 2.14 (a), (b) i (c).
Forma funciei de utilitate din Figura 2.14(a) reprezint utilitatea marginal
descresctoare, ceea ce nseamn c la creterea cu o cantitate fix (a lui C, de exemplu)
produce o utilitate adiional din ce n ce mai mic, dac se adaug la o sum iniial din ce n
ce mai mare (de exemplu de la C la C vom avea o utilitate adiional mai mare dect de
la C la C S ). O asemenea form a funciei de utilitate determin decidentul s aleag

ntotdeauna C n loc de C S sau C S . Un decident care are o asemenea funcie de
utilitate se spune c are aversiune la risc, adic starea de status quo este preferat unei situaii

ECONOMICE
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
Figura 2.14 Forme ale funciei de utilitate:

(a) nu joac; (b) joac; (c) indiferent
2.4.2 Proprietile funciilor de utilitate
Vom detalia n continuare proprietile funciilor de utilitate prezentate anterior,
considernd, pentru exemplificare, cazul utilitii marginale descresctoare.
Presupunnd continuitatea funciei de utilitate i innd cont de relaia
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)
proprietate ilustrat n Figura 2.15.

2
2

ECONOMICE
U (x )
U (C+S )
U (C )
U (C c )
U (C S )
C c
CS
C+S
Figura 2.15 Definiia lui C

poate fi interpretat ca o prim de asigurare pe care decidentul trebuie s
Numrul C
o plteasc n scopul de evita schimbarea strii de status quo C pentru un joc echilibrat ntre
C S i C S .
S considerm funcia de utilitate marginal descresctoare pentru orice joc care implic
deplasarea de la C la C X , unde X este o variabil aleatoare cu media 0 (n cazurile
anterioare am avut X S cu probabilitile egale cu 1 2 ). Prima de asigurare este definit
de ecuaia
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
i urmtorii. Egalnd cele dou expresii, obinem:
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
matematic pentru U. De exemplu, s presupunem c pentru un anumit rezultat X, aversiunea

la risc nu depinde de C, ceea ce implic
U C
k (cons t.).
(2.88)
U C
Rezolvnd ecuaia diferenial de mai sus i considernd punctele U 0 0 i
U , obinem soluia
U x 1 e
kx
, 0x.
(2.89) Rezult c dac decidentul consider o utilitate marginal descresctoare i are

o aversiune constant la risc, atunci exist o funcie de utilitate definit, pentru care
trebuie specificat doar o constant. Pe msur ce aceast constant crete, funcia de
utilitate are o
pant din ce n ce mai mare, plecnd din origine, aa cum se poate observa din Figura 2.16.
U (x )
k3
k2
k1
Figura 2.16 Funcia de utilitate pentru k1 < k2 < k3

Forma de mai sus a funciei de utilitate ne arat c decidentul apare ca avnd o
aversiune la risc descresctoare; ntr-adevr, C descrete dac C crete.
2.4.3 Evaluarea funciilor de utilitate
Forma funciei de utilitate poate s fie diferit n funcie de problema de decizie i de
abordarea decidentului i este nevoie de o metod operaional pentru a evalua forma funciei
de utilitate. S presupunem c decidentul dispune de suma curent C (de exemplu n euro, )
i urmrete s evalueze forma funciei de utilitate n intervalul C pn la C 1000 , avnd
urmtoarea problem de decizie: Decidentul are un bilet de loterie cu valoarea C, care i
permite s joace un joc care i aduce un ctig de 1000 sau 0 (dac pierde). I se cere
decidentului s stabileasc o sum S cu care ar vinde biletul. De asemenea, i se cere s
2
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
.

ECONOMICE
Pentru o abordare bayesian i funcia de utilitate U , obinem
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
Figura 2.17 Evaluarea funciei de utilitate
2.5 DECIZII SECVENIALE

2.5.1 Concepte de baz
S considerm urmtoarea problem de decizie cu dou stadii. O aciune iniial a

1
este aplicat i dup aceea starea naturii (incert) este

aciunea a
, starea (incert) fiind
; n continuare este aplicat
i rezultnd consecina final
;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
. Reprezentnd grafic aceast problem se obine un arbore, care
are
forma din figura urmtoare.
a
;a
,a
Figura 2.18 Reprezentarea unei probleme de decizie cu dou

stadii
ntr-o problem de decizie secvenial nu putem decide ce s facem n stadiul iniial
pn nu am analizat toate consecinele posibile
;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
Figura 2.19 Reprezentarea unei probleme de decizie

tiind c rezultatul a fost 1
2
Pentru o anumit alegere a lui a

2 va avea forma
2 1
incert
, distribuia de probabilitate pentru un anumit rezultat
a ,
,a
, iar aciunea optimal i funcia de
utilitate
medie sunt definite de:
U *
2
,a
max
(2.93)
a
a ,
,a
,a ,a
Aceasta este utilitatea maximizat, dat fiind
i a
. Situaia pe care o are de rezolvat

ECONOMICE
decidentul n primul stadiu este reprezentat n Figura 2.20.

Soluia complet a problemei este definit de
max
U *
,a
d .
1
(2.94)

a
U*
,a
Figura 2.20 Decizia n primul stadiu presupunnd

o aciune optimal n al doilea stadiu)
Dac problema de decizie secvenial este cu n stadii, se observ c structura soluiei
rmne aceeai. ncepnd din partea dreapt a arborelui i trecnd succesiv prin nodurile de
decizie, vom repeta procesul de a considera utilitatea medie i de a o maximiza.
Procedura prezentat aici este dificil de implementat din dou motive: primul, procedura
implic considerarea tuturor combinaiilor de aciuni care se pot aplica i a tuturor rezultatelor
posibile; al doilea, distribuiile de probabilitate ale rezultatelor sunt probabiliti condiionate
i sunt, n general, greu de calculat. n cazul mulimilor finite de aciuni i de rezultate,
problemele de decizie pot fi formulate i rezolvate utiliznd metoda arborilor de decizie.
2.5.2 Arbori de decizie
Vom exemplifica metoda arborilor de decizie printr-o problem de decizie specific.
Presupunem c o companie productoare dorete s investeasc ntr-o linie de fabricaie a
unui produs. Investiia va fi profitabil dac cererea pieei pentru produsul respectiv va crete,
dar ea va produce pierderi dac cererea pieei va scdea. Alternativele pe care le are compania
sunt: s investeasc; s nu investeasc; s achiziioneze un studiu de cercetare de pia, care
s-i furnizeze informaii suplimentare despre evoluia cererii pentru produsul respectiv. S
presupunem c studiul de pia va furniza o predicie de tipul cererea n cretere sau cererea n
scdere, iar rezultatul final (starea naturii) va fi cererea actual n cretere sau cererea actual
n descretere. Structura arborelui de decizie pentru aceast problem de investiie este
reprezentat n Figura 2.21. Formalizarea problemei de decizie este urmtoarea:
a1 : Studiu de pia,
A a1 , a2 , a3 ,
a2 : Investete,
unde
a3 : Nu investete.
1 ,2 , unde
1 : Cererea crete,
2 : Cererea descrete.
X x1 , x2 , unde
x1 : Predicie cererea crete,

x2 : Predicie cererea descrete.
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
Figura 2.21 Arborele de decizie pentru problema de investiie

S presupunem de asemenea c, fr a ine cont de concluziile studiului de pia,
compania productoare a fcut propriile evaluri ale evoluiei cererii, stabilind c sunt 60%
anse ca cererea s creasc i deci avem probabilitile
p1 0,6 ,
p 2 0,4 .
(2.97)
Evaluarea direct a rezultatului incert n situaia n care compania achiziioneaz studiul
de pia este dat de probabilitile
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
studiul de pia (decizie cu experimentare), folosim teorema lui Bayes i obinem

ECONOMICE
p1 x1 px1 1
p 1
p x1 ,
(2.100)
0,8 0,6 0,6

0,8
p 2 x1 1 p1 x1 1 0,8 0,2 .
(2.101)
p1 x2 px2 1 p1 p x2 ,
(2.102)
0,2 0,6 0,4

0,3
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
Pentru evaluarea utilitii diferitelor rezultate, s presupunem c funcia de utilitate este

aproximativ liniar. S presupunem, de asemenea, c unitatea monetar este UM = 1000 i
dac cererea crete compania ateapt s fac un profit net de 1200 UM, iar dac cererea
descrete, profitul net va fi de 800 UM, n condiii de investiie. Dac nu investete, compania
ateapt un profit net de 1000 UM, iar costul studiului de pia este C.
n continuare, ncepnd din partea dreapt a arborelui de decizie, conform procedurii
menionate anterior, calculm utilitile medii. Pentru ramura de decizie a1 rezult:
U x1 , a2 1200 C 0,8 800 C 0,2 1120 C ,

(2.104)
U x1 , a3 1000 C 0,8 1000 C 0,2 1000

C
U ,x2 , a2 1200 C 0,3 800 C 0,7 920 C
, x2 , a3 1000 C 0,3 1000 C 0,7 1000

U
, sus sunt reprezentate n Figura 2.23.
Rezultatele deCmai
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)
Figura 2.23 Utilitile medii iniiale pentru ramura a1

Aplicnd acum principiul maximizrii utilitii medie, se observ c dat fiind x1 ,
aciunea optimal este a , n timp ce dac este dat x , aciunea optimal este a , aa cum
2
2
3
rezult din Figura 2.24.
a1
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:
U a1 1120 C 0,6 1000 C 0,4 1072

CU, a2 1200 0,6 800 0,4 1040 ,
U a3 1000 0,6 1000 0,4 1000 ,
cu reprezentarea din Figura 2.25.

1072 C
a1
a2
1040
a3
1000
Figura 2.25 Utilitile pe ultimul nivel al arborelui de decizie
(2.108)
(2.109)
(2.110)

ECONOMICE
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)
Se descrie logica arborelui n ordine cronologic, respectiv se descriu nodurile de

decizie i nodurile de incertitudine, precum i toate ramurile care apar n fiecare nod;
Se ataeaz probabilitile ramurilor de incertitudine, innd cont de condiionrile
corespunztoare pentru fiecare ramur;
Se ataeaz valorile utilitilor ramurilor finale;
Plecnd de la dreapta la stnga arborelui de decizie, se calculeaz valorile medii ale
utilitilor n nodurile de incertitudine i se maximizeaz n nodurile de decizie,
determinndu-se aciunile optimale i utilitile lor medii;
Se continu procedura pn la nodul de decizie iniial, determinndu-se aciunea
optimal iniial i apoi secvena de aciuni optimale care rezolv problema de decizie.
Metoda arborilor de decizie reprezint o alternativ viabil la metodele analitice de

decizie prezentate la nceputul acestui capitol. n acelai timp, arborii de decizie, prin
reprezentarea grafic a problemei de decizie constituie un instrument util i accesibil pentru
considerarea tuturor alternativelor, att n nodurile de decizie, ct i n cele de incertitudine.
Cele dou metode, grafic i analitic, pot fi utilizate cel mai bine mpreun, deoarece
ne furnizeaz, fiecare, informaii privind problema de decizie, aa cum vom vedea n
aplicaiile urmtoare.
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,
a2 : nchirierea necondiionat a terenului,

a3 : nchirierea condiionat a terenului,
i deci spaiul de aciune este A a , a , a .
1
2
3
Strile naturii pentru aceast problem sunt:

ECONOMICE
1 : 1.000.000 litri ap mineral / surs,

2 : 5000.000 litri ap mineral / surs,
3 : 100.000 litri ap mineral / surs,
4 : 0 litri ap mineral / surs.
Rezult spaiul strilor 1 , 2 , 3 , 4 .
Am vzut anterior c strile naturii sunt caracterizate printr-un parametru al unei familii
de distribuii de probabilitate. n contextul problemei noastre de foraj, rezultatul potenial al
forajului poate fi vzut ca fiind valoarea medie a unei variabile aleatoare. Astfel, modelul
statistic pentru problema de foraj este constituit dintr-o variabil aleatoare reprezentat de
cantitatea de ap mineral gsit n urma forajului, cu valoarea medie necunoscut. n lipsa
datelor de experimentare, compania va aproxima valoarea medie a rezultatelor prin cele patru
valori estimate iniial, respectiv 1.000.000, 500.000, 100.000 i 0. n exemplul nostru, strile
naturii sunt deci valorile posibile ale mediei variabilei aleatoare reprezentate de cantitatea de
ap mineral rezultat n urma forajului. Funcia de pierdere L 1 , aj pentru aceast
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
Regula de decizie minimax

Dac adevrata stare a naturii ar fi cunoscut, ar fi simplu s alegem aciunea corect,
respectiv aciunea cu cea mai mic pierdere. Din pcate, adevrata stare a naturii nu este n
general cunoscut, iar alegerea aciunii corecte nu este simpl. n problema noastr de foraj,
dac , adic 1.000.000 litri/surs, atunci, pe baza datelor de pierdere din Tabelul 2.5,
1
cea mai bun aciune este a , adic forajul, n timp ce dac , cea mai bun aciune este
1
4
a2 , nchirierea necondiionat a terenului.

Aplicarea regulii minimax cere decidentului s gseasc pierderea maxim pentru
fiecare din aciunile sale i s aleag aciunea cu cea mai mic pierdere maxim. Utiliznd
deci regula minimax, considerm mai nti maximul funciei de pierdere pentru fiecare
aciune (maximul pe fiecare linie din Tabelul 2.6) i obinem valorile max La1 ,
6.000 ,
max La2 ,
8.000
i max La3 , 0 . Lund n continuare minimul acestor

valori,
avem min 6.000; 8.000; 0 8.000 . Rezult c aplicnd regula minimax,

decidentul
trebuie s aleag aciunea a2 nchiriere necondiionat, cu o pierdere negativ (profit) de
8.000.
Regula de decizie Bayes
n anumite situaii, decidentul poate s aib anumite informaii despre starea naturii, pe
care s le transforme ntr-o distribuie de probabilitate a convingerii sale privind starea naturii.
Aceast distribuie de probabilitate a convingerii, denumit distribuie iniial (sau a priori)
este adesea subiectiv i depinde de experiena sau de intuiia decidentului. S presupunem c
compania dispune de experien i informaii anterioare din care a concluzionat c la foraje
similare, circa 10% au fost foraje de 1.000.000 litri/surs, 15% au avut ca rezultat 500.000
litri/surs, 25% au dus la 100.000 litri/surs i circa 50% din foraje nu au gsit ap mineral.
Aceste date pot fi transformate ntr-o distribuie de probabilitate dup cum urmeaz:
Prob 1 p 1 0,10 ,
(2.111)
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
Pierderea medie pentru fiecare aciune ai este dat de
La1 M La1 , 90.000 0,10 40.000 0,15 0 0,25 6.000 0,50

12.00
0 ,
(2.116)
La2 M La2 , 8.000 0,10 8.000 0,15 8.000 0,25 8.000 0,50
8.000 ,
(2.117)
La3 M La3 , 30.000 0,10 15.000 0,15 0 0,25 0 0,50

5.250 ,
(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
a1 de foraj pentru gsirea de ap

ECONOMICE
Consideraiile fcute pn acum au presupus c decidentul a adoptat deciziile sale fr a

utiliza informaii rezultate din efectuarea unor experimente statistice privind problema de
decizie. Totui, dac decidentul dispune de informaii suplimentare rezultate din experimente,
atunci aceste informaii trebuie aplicate n procesul de adoptare a deciziei.
Revenind la problema forajului, s presupunem c compania poate s achiziioneze un
studiu geologic, al crui cost este de 2.500. Informaiile coninute n studiul geologic permit
clasificarea terenului n patru categorii. Categoria (1) se refer la o structur geologic extrem
de favorabil prezenei apei minerale. Categoria (2) reprezint o structur care este probabil s
conin ap mineral. Categoria (3) este o structur puin favorabil prezenei apei minerale,
n timp ce categoria (4) denot o structur geologic cu o probabilitate extrem de mic de a
conine ap mineral.
Pe baza examinrii i a altor zone geologice similare (100 de astfel de examinri),
compania a obinut datele din Tabelul 2.7 de mai jos.
Tabelul 2.7 Frecvenele clasificrii geologice
Clasificarea
geologic
(1)
(2)
(3)
(4)
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
ea o variabil aleatoare i pierderea asociat acestei aciuni depinde de asemenea de

rezultatele lui X. tim c o msur a consecinelor aplicrii aciunii a d X , atunci cnd
adevrata stare a naturii este , este dat de valoarea medie a pierderii, cuantificat prin
funcia de risc R , d , care n cazul discret are expresia
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
90.000 8.000 0 30.000

8
12
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
riscul Bayes este
Bd Rd , x p x dx .
(2.125)
Principiul Bayes impune decidentului s aleag funcia d, denumit procedur de decizie

ECONOMICE
Bayes, care minimizeaz Bd .

Atunci cnd nu sunt disponibile date suplimentare, procedura Bayes ne conduce la
selectarea aciunii care minimizeaz pierderea medie, evaluat n funcie de distribuia iniial
a lui . Dar dac sunt disponibile date despre starea naturii, acestea vor fi ncorporate n
modelul de decizie.
De exemplu, dac datele geologice clasific terenul n categoria (4), probabilitatea de a
gsi surse de 1.000.000 litri sau de 500.000 litri este extrem de redus. Totui, dup analiza
datelor experimentale, vom actualiza distribuia iniial pe baza datelor despre starea naturii.
Aceast informaie actualizat ne furnizeaz distribuia posterioar a lui , pe baza
distribuiei iniiale i a datelor de experimentare. Distribuia posterioar a lui este
reprezentat deci de probabilitile condiionate ale lui , date fiind valorile X x .
Calculul distribuiei posterioare
Fie , X o variabil aleatoare bidimensional discret, cu distribuia de probabilitate
pX k , j .
p k distribuia de probabilitate iniial a lui . Definim probabilitatea
Fie
condiionat
X k j ProbX j k .
(2.126)
Pentru distribuia bidimensional a lui , X expresia
pX k , j X k j p k ,
(2.127)
poate fi utilizat pentru evaluarea distribuiei de probabilitate a lui X, respectiv
X j pX k , j X k j p k .
k
(1.128)
S evalum acum distribuia de probabilitate posterioar a lui , notat f
Xj
, dat
fiind X j , din expresia
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)
n sintez, pentru calculul distribuiei posterioare considerm p k distribuia iniial
i X x x distribuia de probabilitate a variabilei aleatoare X evaluat

pentru
Funcia X x este distribuia variabilei X, obinut din
X x X k x p k ,
(2.131)
k
X x.
iar pentru f x avem

X
f X x f X k k .
(2.132)
k
Revenind la problema noastr, valorile distribuiei iniiale de clasificare geologic a

terenului p k au fost date n relaiile (1.111) (1.114). S presupunem acum c studiul
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)
Atunci distribuia variabilei X evaluat pentru X 3 rezult
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
Valorile complete ale probabilitilor condiionate

x pk i ale distribuiei
X k
marginale X x sunt calculate n Tabelul 2.8.

Tabelul 2.8
marginal X x
Clasificarea
geologic
(1)
(2)
(3)
(4)
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
Putem s calculm acum distribuia posterioar pentru X 3 , aplicnd relaia (2.133)

i obinem:
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 ,

ECONOMICE
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
n continuare, pentru a determina procedura de decizie Bayes, decidentul avnd

calculat distribuia posterioar va alege aciunea care minimizeaz pierderea medie B a
f
(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)
Acum, pentru clasificarea geologic (3), procedura Bayes pentru X 3 conduce la

(2.142)
B a M La , 90.000 0,035 40.000 0,080 0 ,
f
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
8.000 0,752 2.500 5.500

M La3 , 30.000 0,035 15.000 0,080 0
0 0,752 2.500
243
(2.144)
Rezult c procedura Bayes pentru cazul X 3 determin alegerea aciunii a

2
nchiriere necondiionat, pentru care pierderea medie este minim.

Aplicnd procedura i relaiile de mai sus pentru toate valorile X 1,2,3,4 , obinem
valorile riscului Bayes pentru distribuia posterioar (Tabelul 2.10).
Tabelul 2.10 Valorile riscului Bayes pentru distribuia

posterioar
x1
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
M IP 90.000 0,10 40.000 0,15 8.000 0,25 8.000 0,50 21.000 .

(2.145)
Regula de decizie Bayes (fr experimentare) a condus la o pierdere medie de 12.000
i la aciunea a , respectiv o pierdere mult mai mare dect n cazul pierderii medii cu
1
informaie perfect. Fcnd diferena ntre cele dou valori de mai sus, obinem o valoare de
9.000, care este de fapt costul informaiei perfecte.
Considernd datele din Tabelul 2.10 i Tabelul 2.11, suma ponderat a pierderilor
Bayes, denumit pierderea medie necondiionat cu experimentare 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)

ECONOMICE
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
f min Lai 12.292 12.000 292 ,

~ (2.147)
B
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
67.500 0,10 27.688 0,15 1.167 0,25 2.250 0,50 9.486 .
(2.148)
Scznd valorile date de relaiile (2.146) i 2.148) obinem
Lopt
~
B 12.292 9.496 2.805 ,
(2.149)
adic o economie (pierdere negativ) de 2.805, ca urmare a utilizrii procedurii Bayes

optimale n locul procedurii neoptimale.
Arborele de decizie
Arborele de decizie pentru problema forajului est reprezentat n Figura 2.26. Ramura
iniial superioar reprezint decizia fr experimentare, respectiv decizia fr utilizarea
studiului geologic. Ramura iniial inferioar reprezint decizia cu experimentare, respectiv
cu date geologice.
Utilitile afiate n nodurile de decizie i de incertitudine ale arborelui corespund
valorilor calculate anterior. n nodurile de decizie au fost aplicate procedurile Bayes (optimale
i neoptimale) de minimizare a riscului Bayes. Aciunile respinse au fost barate cu semnul .
Decizia adoptat este achiziionarea studiului geologic.
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

ECONOMICE
2.6.2 Algoritm de rezolvare a unei probleme de decizie

Vom sintetiza modul de rezolvare a problemelor de decizie de tipul prezentat anterior,
respectiv cu funcia de pierdere tabelar i cu A , i X finite i discrete, n algoritmul
care urmeaz. n general, majoritatea problemelor de decizie pot fi formalizate cu ajutorul
modelului prezentat n cadrul algoritmului. Algoritmul are o organizare matriceal pentru a
facilita utilizarea programelor de calcul tabelar.
A. DECIZIE FR EXPERIMENTARE
Pasul 1. Definirea problemei de decizie.
P1.1: Se definete spaiul de aciune A a1 ,, al .
P1.2: Se definete spaiul strilor 1 ,, k .
P1.3: Se definesc consecinele i ,
,i 1,, k , j 1,,l .
a
P1.4: Se asociaz costurile corespunztoare consecinelor i alte costuri ale
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
...
...
Pasul 3. Regula de decizie minimax.

P3.1: Se bordeaz tabelul funciei de pierdere cu o coloan care conine maximul
valorilor funciei de pierdere din fiecare linie:
Starea naturii
Aciunea
a1
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.
Dac nu sunt disponibile informaii despre distribuia de probabilitate iniial,

algoritmul se oprete la acest pas. Dac sunt cunoscute valorile probabilitilor iniiale
pentru distribuia convingerii, algoritmul continu cu Pasul 4.
Pasul 4. Definirea probabilitilor iniiale.
P4.1: Se definesc probabilitile iniiale
Prob i p i ,i 1,, k ,
(2.151)
ntr-un tabel de forma:
Starea
naturii
Probabiliti
iniiale
...
p 1
p 2
...
p k
P4.2: Probabilitile iniiale trebuie s verifice condiiile de definire a probabilitilor,

respectiv valori pozitive subunitare i suma egal cu 1, condiii reflectate i de relaiile
urmtoare:
0 p i 1, i
1,, k
(2.152)
Pasul 5. Regula de decizie Bayes.
p i 1
i1
P5.1: Se calculeaz pierderea medie pentru fiecare aciune a j
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 .

ECONOMICE
P6.2: Se specific probabilitile condiionate

i X i , i 1,, k , ntr-un tabel
forma:
de
k
...
1
2
x
1
X 1
X 2
...
k
X 2
...
...
X k
...
...
X 1
X 1
X 2
...
...
X k
...
X k
k
P6.3: Se stabilete costul experimentului C.

Pasul 7. Procedura Bayes cu probabiliti iniiale.
P7.1: Se stabilesc regulile de decizie d x i aciunile a care se adopt pentru
ji
n
a ji A a1 , a2 ,, al , i 1, l , ntr-un
fiecare valoare x 1,2,, k ,

unde
forma:
X
dn
aj
tabel de
2
aj
...
...
k
aj
P7.2: Se determin funcia de risc mediu R dn ,j , la care se adaug costul

experimentului C, cu relaiile:
Rdn ,j C M Ldn x , C
Li j, a

k
Xj
C.
j 1
Datele se organizeaz ntr-un tabel de forma:

x
R d n , 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
...
P7.3: Se determin riscul mediu minim:
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
suma probabilitilor condiionate pe fiecare linie.

X k x p k
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
Pasul 9. Procedura Bayes cu probabiliti posterioare.

P9.1: Se determin riscul Bayes n funcie de distribuia posterioar, date fiind valorile
X x , cu relaia de mai jos, n care se ine cont i de costul experimentului, iar datele
se organizeaz
ntr-un tabel de forma
de mai
L ajos:
,k f
B a CM L a,
C
f
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

ECONOMICE
1
2
aj
k

C
min B a
C
min B f a j
k
aj
aj
X 2
j2
X 1
X k
Pasul 10. Valoarea experimentului.
P10.1: Se determin pierderea medie cu informaie perfect disponibil:
M IP Lak , k p k .
(2.158)
k
P10.2: Se calculeaz costul informaiei perfecte:
C IP min La j M IP .
(2.159)
P10.3: Se calculeaz pierderea medie necondiionat cu experimentare:
~
B f B f a j k X k .
k
(2.160)
P10.4: Se determin valoarea experimentului (fr costul acestuia):
Lexp
f min
~
B L a
(2.161)
P10.5: Se calculeaz riscul mediu ponderat (cu regula neoptimal):
Rnd k , C p k .
(2.162)
k
P10.6: Se calculeaz economia ca urmare a aplicrii procedurii Bayes optimale cu

probabiliti posterioare, fa de regula Bayes neoptimal:
~
~
Lopt
B f B .
(2.163)
Pasul 11. Arborele de decizie.

P11.1: Se construiete arborele de decizie, conform procedurii prezentate anterior.
P11.2: Se aloc n nodurile de incertitudine, valorile de risc calculate.
Pasul 12. Concluzii.
P12.1: Se trage concluzia asupra deciziei optimale iniiale care trebuie adoptat, precum
i asupra secvenei de aciuni care trebuie adoptate pentru rezolvarea problemei de
decizie.
2.6.3 Problema festivalului
Vom aplica paii algoritmului descris anterior pentru aa-numita problem a
festivalului, care este exemplificat i rezolvat n continuare.
Un festival n aer liber este planificat s fie organizat ntr-un ora la o anumit dat.
Profiturile care se estimeaz c se vor obine n urma desfurrii festivalului depind n cea
mai mare msur de starea vremii. Astfel, dac vremea este ploioas, organizatorii festivalului
vor nregistra o pierdere de 30.000, datorit numrului foarte redus de participani; dac pe
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 :
Instalare echipament i organizare festival;
a 2 : Neinstalare echipament i anulare festival.

P1.2: Spaiul strilor: 1 , 2, , 3 , unde:
1 : Ploaie;
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
Anulare festival neinstalare echipament
Stri
Ploaie
Nori
Soare
Ploaie
Nori
Soare
P1.4: Costuri (UM = ):

Consecine
a1 ,1
a1 , 2
a1 ,3
a2 ,1
a2 , 2
a2 , 3
Pasul 2. Definirea funciei de pierdere.

P2.1: Funcia de pierdere:
Costuri
2.000
2.000
2.000
Profit
30.000
10.000
20.000

ECONOMICE
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
Pasul 3. Regula de decizie minimax.

P3.1: S-a bordat tabelul funciei de pierdere cu o coloan care conine maximul
valorilor funciei de pierdere din fiecare linie.
P3.2: Regula de decizie minimax:
min max L , j 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
P4.2: Probabilitile iniiale verific condiiile de definire a probabilitilor (valorile sunt

cuprinse ntre 0 i 1, iar suma lor este egal cu 1).
Pasul 5. Regula de decizie Bayes.
P5.1: Pierderile medii pentru fiecare aciune a j :
Aciunea
Starea naturii
1
L a j
a1
a2
3.000
200
3.000
600
12.000
1.200
6.000
2.000
P5.2: Regula de decizie Bayes:
min
La
6.000 .
P5.3: Decizia Bayes: Aciunea a1 Instalare echipament i organizare festival.

B. DECIZIE CU EXPERIMENTARE
Pasul 6. Definirea experimentului.
P6.1: Spaiul de eantionare X , variabila aleatoare X, cu valorile:
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
Pasul 7. Procedura Bayes cu probabiliti iniiale.

P7.1: Regula de decizie d n x i aciunile:
X
1
a2
dn
2
a2
3
a1
Aceasta nseamn c se va adopta aciunea a 2 , respectiv anularea festivalului,

dac prognoza meteo indic ploaie sau nori i aciunea a , adic inerea
1
festivalului, dac prognoza meteo indic timp nsorit.
P7.2: Calculul riscului mediu:
x
Rd n ,1
Rd n , 2
Rd n , 3
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
P7.3: Riscul mediu minim:
min Rd n , i 11.900 .
i
P7.4: Decizia Bayes (neoptimal): Aciunea
a1 organizarea festivalului.
Pasul 8. Calculul probabilitilor posterioare.

P8.1: Probabilitile condiionate posterioare i distribuia marginal:
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
P8.2: Distribuia posterioar:

k
Xx
0,19
0,32
0,49

ECONOMICE
1
2
3
0,368
0,063
0,020
0,316
0,563
0,122
0,316
0,375
0,857
Pasul 9. Procedura Bayes cu probabiliti posterioare.

P9.1: Riscul Bayes n funcie de distribuia posterioar:
x
B f a1
C B f a2
C
x=1
x=2
x=3
9.395
1.500
13.806
3.500
3.500
4.000
P9.2: Decizia privind aciunile Bayes:

x
Aciunea Bayes
Riscul Bayes
Distribuia
marginal
1
2
3
a2
a1
a1
3.500
1.500
13.806
0,19
0,32
0,49
Pasul 10. Valoarea experimentului.

P10.1: Pierderea medie cu informaie perfect disponibil:
M IP Lak , k p k 11.200 .
k
P10.2: Costul informaiei perfecte:
C IP min
La
M IP 5.200 .
P10.3: Pierderea medie necondiionat cu experimentare:
~
B f a jk X k 5.620 .
B fk
P10.4: Valoarea experimentului (fr costul acestuia):
Lexp
f min
~
B La
6.000 .
P10.5: Riscul mediu ponderat (cu regula neoptimal):
~
B Rd n , k C pk 4.980 .
k
P10.6: Economia ca urmare a aplicrii procedurii Bayes optimale cu probabiliti

posterioare, fa de regula Bayes neoptimal:
~
~
Lopt f B 640 .
B
Pasul 11. Arborele de decizie.

P11.1: Arborele de decizie pentru problema festivalului este reprezentat n Figura 2.27.
n prima parte a acestui arbore de decizie este reprezentat decizia fr experimentare,
respectiv fr date meteo. Se observ c aceast decizie nu este acceptabil (ramura este
barat). n a doua parte a arborelui de decizie, este reprezentat decizia cu
experimentare, respectiv decizia care are la baz informaiile furnizate de studiul meteo.
P11.2: Valorile de risc calculate n cadrul algoritmului sunt reprezentate n nodurile de
incertitudine.
Pasul 12. Concluzii.
P12.1: Valorile funciilor de risc calculate conduc la concluzia c pentru problema
noastr, decizia optimal o constituie alegerea unei proceduri de decizie fr
experimentare i a aciunii de organizare a festivalului.
n condiiile unei proceduri de decizie cu experimentare, regula de decizie Bayes
neoptimal a condus la aceeai aciune de instalare echipament i organizare a festivalului. De
asemenea, i utilizarea procedurii Bayes cu probabiliti posterioare duce la aceeai decizie
optimal. Analiznd ns informaiile furnizate de valoarea experimentului, rezult c costul
studiului de prognoz meteo nu justific opiunea pentru o decizie cu experimentare.
Algoritmul prezentat aici pentru acest tip de probleme de decizie (respectiv pentru acele
probleme de decizie n care avem distribuii de probabilitate discrete) are avantajul organizrii
tabelare, ceea ce permite utilizarea rapid a unor programe de calcul tabelar. Vom vedea n
Capitolul 4 c acest algoritm, cu unele completri, este aplicabil i pentru situaiile unor
probleme de decizie bazate pe distribuii de probabilitate continue.

ECONOMICE
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
Figura 2.27 Arborele de decizie pentru problema festivalului

Modele de Decizie Aplicate in Economie

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modele de Decizie Aplicate in Economie

Încărcat de

Drepturi de autor:

Formate disponibile

FACULTATEA DE FINANE, BNCI I CONTABILITATE BRAOV

CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A

MODELE DE DECIZIE APLICATE N ECONOMIE

DEFINIREA PROBLEMEI DE DECIZIE

CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A PROCESELOR

TEMA 2: MODELE DE DECIZIE APLICATE N ECONOMIE

CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A PROCESELOR

2.1.2 Scurt istoric al teoriei deciziei

TEMA 2: MODELE DE DECIZIE APLICATE N ECONOMIE

practice importante, datorate ndeosebi academicienilor Octav Onicescu, Gheorghe Mihoc i

CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A PROCESELOR

MODELUL MATEMATIC AL PROBLEMEI DE DECIZIE

de care dispune decidentul;

Definim o mulime , denumit spaiu de parametri, alctuit din toate strile

mulimea R (mulimea numerelor reale). L este constituit din perechile ordonate

eantionare. Variabila aleatoare X are funcia de densitate de probabilitate n familia

Interpretarea modelului de mai sus este urmtoarea. n momentul n care decidentul i

i starea naturii . Desigur, pierderea poate fi i ctig, caz n care valoarea

lui L , a va fi negativ. Ca alternativ la funcia de pierdere, putem s lucrm cu o funcie

f x , decidentul poate extrage informaie despre parametrul , care s l ajute n

pe baza observaiilor asupra valorilor variabilei aleatoare x X . Alegerea unei strategii

TEMA 2: MODELE DE DECIZIE APLICATE N ECONOMIE

este estimarea lui

specificat de d. Dac valoarea adevrat a parametrului este , vom avea o pierdere

dac ns 1 , va trebui s lum d x 1 . Dar deoarece nu tim valoarea lui , nu

Funcia R se numete funcia de risc a lui d, evaluat pentru .

CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A PROCESELOR

raport cu X exist, astfel nct

Putem utiliza de asemenea i operatorul pentru varian V X , definit ca

Exemplul 2.1 S analizm problema estimrii parametrului , utiliznd funcia de pierdere

N 0,1 . Considerm urmtoarele reguli de

innd cont c mediana are o distribuie normal

TEMA 2: MODELE DE DECIZIE APLICATE N ECONOMIE

Funciile de risc pentru d1 , d i d 3 sunt reprezentate n Figura 2.1

Figura 2.1 Funciile de risc pentru deciziile d1, d2 i d3

N , cu 0 , adic o distribuie normal avnd media i dispersia egale cu . Vom

Calculnd funciile de risc, obinem

dar deoarece M X d 2 X , obinem

CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A PROCESELOR

egalitatea avnd loc dac

i d 2 pentru n 2 sunt reprezentate n Figura 2.2.

Figura 2.2 Funciile de risc pentru deciziile d1, i d2

Figura 2.3 Dou funciile de risc ipotetice

TEMA 2: MODELE DE DECIZIE APLICATE N ECONOMIE

minimizeaz riscul maxim;

d 2 . n ambele cazuri, n analiz am introdus convingerile noastre privind valorile lui .

de decizie minimax. Pentru b), presupunem c convingerile noastre referitoare la pot fi

condiionat de faptul c este adevrata stare a naturii. Considernd R , d o funcie de

, pentru d fixat, putem s calculm valoarea sa medie n raport cu distribuia convingerii

CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A PROCESELOR

Figura 2.4 Forme posibile ale distribuiei convingerii

d * este, prin definiie, o funcie de decizie Bayes dac

S remarcm c, dat fiind o problem de decizie, d

nu este unic deoarece ea

depinde de alegerea lui p . Spunem c d este o funcie de decizie Bayes n raport cu

S presupunem acum c suntem siguri c variaz n intervalul

TEMA 2: MODELE DE DECIZIE APLICATE N ECONOMIE

Atunci funciile de risc Bayes sunt

Rezult c dac n 300 , funcia de decizie Bayes

d 1 , dac n 300 atunci d 1 i

i deci pentru n 3 , d 1 este decizia preferat din punct de vedere Bayes.

Figura 2.5 Funciile de risc pentru diferite funcii de decizie

CERCUL TIINIFIC MODELAREA STATISTICO-MATEMATICA A PROCESELOR

Fiind dat o funcie de decizie d D , dac exist o alt