Proces decyzyjny: 1. 6IRUPXáXMMDVQRSUREOHPGHF\]\MQ\ 2. :\OLF]ZV]\VWNLHPR*OLZHdecyzje. 3. =LGHQW\ILNXMZV]\VWNLHPR*OLZHstany natury.

Podobne dokumenty
Proces decyzyjny: 1. Sformułuj jasno problem decyzyjny. 2. Wylicz wszystkie możliwe decyzje. 3. Zidentyfikuj wszystkie możliwe stany natury.

WPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH

EVPI - maksymalna kwota, jaka podejmujacemu decyzje oplaca sie wydac, aby uzyskac doskonala informacje

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

n liczba zmiennych decyzyjnych c współczynniki funkcji celu a współczynniki przy zmienych decyzyjnych w warunkach

1.1 Analiza decyzji- tablica decyzyjna, klasyfikacja


o partnerstwie publiczno-prywatnym.

Podstawowym założeniem teorii gier jest racjonalne działanie wszystkich podmiotów decyzyjnych (graczy).

Pattern Classification

Wielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH

3URMHNWRZDQLHVFKHPDWyZ UHODF\MQ\FKED]GDQ\FK± 1RUPDOL]DFMD. =E\V]NR.UyOLNRZVNL ,QVW\WXW,QIRUPDW\NL3ROLWHFKQLNL3R]QDVNLHM 3R]QDXO3LRWURZR

6. ANALIZA POST-OPTYMALIZACYJNA analiza wrażliwości rozwiązania optymalnego

(Dantzig G. B. (1963))

Quantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński

BADANIA OPERACYJNE ANALITYKA GOSPODARCZA

Przedsiębiorczość i Podejmowanie Ryzyka. Zajęcia 2

Cele i zadania gospodarki leśnej na tle struktury Państwowego Gospodarstwa Leśnego Lasy Państwowe

Zapis stenograficzny (1537) 188. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 30 listopada 2004 r.

Problemy oceny alternatyw w warunkach niepewności

,1)<1,(56.,(%$=<'$1<&+'/$0$à<&+35=('6, %,2567: ENGINEERING DATA BASES FOR SMALL ENTERPRISES

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008

1 Analiza decyzji- tablica decyzyjna, klasyfikacja problemów

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.

Ryzyko. Ekonomika i organizacja produkcji. Materiały do zajęć z EiOP - L. Wicki Niebezpieczeństwo. Hazard. Zarządzanie ryzykiem

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska

SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA. Warszawa, dnia 21 kwietnia 2004 r. SPRAWOZDANIE. (wraz z zestawieniem wniosków)

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.


Definicje ogólne

Poszukiwanie optymalnego wyrównania harmonogramu zatrudnienia metodą analityczną

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010

KWIT WYWOZOWY/PODWOZOWY (KW)

ANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Piotr 7U\EDáD. Leasing 3RUDGQLN3U]HGVLELRU \

Badania operacyjne w logistyce i zarządzaniu produkcją

QUASI- KLASYCZNA ANALIZA DECYZJI ZŁOŻONYCH

1. Relacja preferencji

7. Wykład VII: Warunki Kuhna-Tuckera

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

UMOWA NR RAP/130/2010

Świętochłowice, dn r. WYKONAWCY

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych

STACJE ELEKTROENERGETYCZNE

1. PARAMETRY TECHNICZNE WAG NAJAZDOWYCH.

Optymalizacja struktury produkcji na przykładzie kopalni

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego

MUMIO Lab 6 (składki, kontrakt stop-loss)

MIRAGRID GX110/30 PES

I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji.

Metody systemowe i decyzyjne w informatyce

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału

Irena Zubel..V]WDáWRZDQLHVWUXNWXUSU]HVWU]HQQ\FK w krzemie PHWRGWUDZLHQLDDQL]RWURSRZHJR GR]DVWRVRZDZPLNURHOHNWUonice

Prawdopodobieństwo i statystyka r.

Integracja technik eksploracji danych ]V\VWHPHP]DU]G]DQLDED]GDQ\FK QDSU]\NáDG]LH2UDFOHi Data Mining

1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ

Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak

Rachunek Różniczkowy

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.

Matematyka ubezpieczeń majątkowych r.

Teoria preferencji i jej alternatywy

TEORIA GIER W NAUKACH SPOŁECZNYCH. Gry macierzowe, rybołówstwo na Jamajce, gry z Naturą

Opis systemu. BillNet S.A. 1

Sterowanie optymalne

Metody systemowe i decyzyjne w informatyce

Programowanie liniowe metoda sympleks

ZAWIADOMIENIE O WYBORZE NAJKORZYSTNIEJSZEJ OFERTY

Plan wykładu. Dlaczego wzrost gospodarczy? Model wzrostu Harroda-Domara.

Wybór optymalnej technologii produkcji

Zarządzanie produkcją i usługami


METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.

ZASTOSOWANIE ZBIORÓW ROZMYTYCH W JEDNOETAPOWYM PROCESIE PODEJMOWANIA DECYZJI PRZEZ JEDNEGO DECYDENTA

Zapis stenograficzny (1653) 27. posiedzenie Komisji Spraw Unii Europejskiej w dniu 25 lutego 2005 r.

Ubezpieczenia majątkowe

Estymatory regresji rangowej oparte na metodzie LASSO

aij - wygrana gracza I bij - wygrana gracza II

Metody systemowe i decyzyjne w informatyce

Opinia o senackim projekcie ustawy o zmianie ustawy. (druk senacki nr 805)

Zapis stenograficzny (1532) 187. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 25 listopada 2004 r.

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

WSPOMAGANIE PODEJMOWANIA DECYZJI W FIRMIE PRODUKUJ CEJ OPROGRAMOWANIE Z UWZGL DNIENIEM INFORMACJI NIEPEWNEJ

&]HVáDZ'RPDVNL 8QLZHUV\WHW àyg]nl. Zastosowanie testów serii znaków w statystycznej kontroli procesu

Jan Bień. Modelowanie obiektów mostowych w procesie ich eksploatacji

-]\NPRGHORZDQLDGDQ\FK80/ Ewa Stemposz. Instytut Podstaw Informatyki PAN

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5

Definicja problemu programowania matematycznego

INSTRUKCJA OBSŁUGI I INSTALOWANIA ZMYWARKI DO NACZYŃ MODEL: STX2C

Spis treœci WSTÊP... 3 KLUCZ ODPOWIEDZI BIBLIOGRAFIA

Stochastyczne zagadnienie rozdziału z dyskretnym rozkładem popytu

Zapis stenograficzny (1530) 162. posiedzenie.rplvml6dpru]gx7hu\wruldoqhjr i AdmiQLVWUDFML3DVWZRZHM w dniu 25 listopada 2004 r.

MODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI

Analiza matematyczna i algebra liniowa Pochodna funkcji


maj 2014 Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. II stop., sem. I

Podstawy teorii falek (Wavelets)

Transkrypt:

Proces decyzyny: 1. 6IRUPXáXMMDVQRSUREOHPGHF\]\MQ\ 2. :\OLF]ZV]\VWNLHPR*OLZHdecyze. 3. =LGHQW\ILNXMZV]\VWNLHPR*OLZHstany natury. 4. 2NUHOZ\SáDW GODZV]\VWNLFKPR*OLZ\FKV\WXDFML ( tzn. kombnac decyza / stan natury ). 5. Wyberz stosowny model matematyczny problemu decyzynego. 6. =DVWRVXMZ\EUDQ\PRGHOLSRGHMPLMGHF\]M

=ELyUPR*OLZ\FKGHF\]MLDNFMLDOWHUQDW\Z A = { 2 a1, a, } =ELyUVWDQyZQDWXU\]ELyUVWDQyZZLDWD]HZQWU]QHJR Θ = { 2 θ1, θ, } :\SáDWDNRU]\ü w = w(, θ ) a 7DEOLFDZ\SáDWPDFLHU]Z\SáDW θ θ 1 2 θm a1 w11 w12 w 1 m a2 w21 w22 w 2 m an wn 1 n2 w wnm

3U]\NáDG John 7KRPSVRQ]DVWDQDZLDVLF]\]EXGRZDüQRZ IDEU\N 5R]ZD*DWU]\PR*OLZRFL 1. ]EXGRZDüGX* IDEU\N 2. ]EXGRZDüPDá IDEU\N 3. QLHEXGRZDüQRZHMIDEU\NL Pan 7KRPSVRQ]LGHQW\ILNRZDáGZDPR*OLZHVWDQ\QDWXU\ 1. NRU]\VWQHZDUXQNLQDU\QNXEG]LHSRS\WQDQRZHWRZDU\ 2. nekorzystne warunk na rynku (brak popytu). Pan 7KRPSVRQRV]DFRZDáHZHQWXDOQHNRU]\FLZ\SáDW\ RGSRZLDGDMFHUy*Q\PPR*OLZ\PV\WXDFMRP korzystne ($) nekorzystne ($) GX* IDEU\N 200 000-180 000 PDá IDEU\N 100 000-20 000 fabryk 0 0

6WUDWDPR*OLZRFL Przy danym stane natury θ VWUDWDPR*OLZRFL]ZL]DQD]GHF\]M a RNUHORQDMHVWSU]H]Uy*QLF PLG]\PDNV\PDOQ PR*OLZ Z\SáDW GOD WHJRVWDQXQDWXU\DZ\SáDW decyz a. w RGSRZLDGDMF -temu stanow natury Ogólne: s = ( max w ) w. k k 3U]\NáDG 7DEOLFDVWUDWPR*OLZRFL korzystne ($) nekorzystne ($) GX* IDEU\N 0 180 000 PDá IDEU\N 100 000 20 000 fabryk 200 000 0

Decyza ak domnue GHF\]M a (est ne gorsza od a MH*HOL w( a, θ) w( a, θ) GODND*GHJRθ Θ. k Decyza ak FLOHGRPLQXMH GHF\]M oraz a (est lepsza od a MH*HOL w( a, θ) w( a, θ) GODND*GHJRθ Θ k w( a, θ') > w( a, θ') dla pewnego θ' Θ. k Decyza ak est UyZQRZD*QD decyz a MH*HOL w( a, θ) = w( a, θ) GODND*GHJRθ Θ. k Decyza ak GRPLQXMFD est dopuszczalna MH*HOL QLH LVWQLHMH GHF\]MD FLOH M Decyza ak GRPLQXMFD est nedopuszczalna MH*HOL LVWQLHMH GHF\]MD FLOH M

3U]\NáDG θ θ 1 2 θ3 θ4 a1 5 5 0 4 a2 3 3 3 3 a3 0 8 0 0 a4 3 6 1 2 a5 2 7 2 2 a6 3 3 2 1 Decyza a2 FLOH GRPLQXMH GHF\]M a6 D ZLF GHF\]MD a6 est nedopuszczalna. a 1, a 2, a 3, a 4, a5 V GRSXV]F]DOQH

3RGHMPRZDQLHGHF\]MLZZDUXQNDFKSHZQRFL Θ = { θ 0 } Decyza optymalna = decyza, które odpowada PDNV\PDOQDZ\SáDWD 3U]\NáDG korzystne ($) GX* IDEU\N 200 000 PDá IDEU\N 100 000 fabryk 0 6WGGHF\]MDRSW\PDOQD]EXGRZDüGX* IDEU\N

Podemowane decyz w warunkach ryzyka 3RGHMPXMFHPX GHF\]MH ]QDQ\ MHVW UR]NáDG SUDZGRSRGRELHVWZD Z\VWSLHQLDSRV]F]HJyOQ\FKVWDQyZQDWXU\5R]NáDGWHQPR*HPLHü Uy*Q JHQH] PR*HZ\QLNDü]WHRUHW\F]Q\FK]DáR*H PR*H E\ü UR]NáDGHP HPSLU\F]Q\P REVHUZRZDQ\P Z SU]HV]áRFL PR*HZ\QLNDü]VXELHNW\ZQHMRFHQ\SRGHMPXMFHJRGHF\]M FR GRV]DQV\Z\VWSLHQLDSRV]F]HJyOQ\FKVWDQyZQDWXU\ Krytera wyboru decyz optymalne: PDNV\PDOL]DFMDRF]HNLZDQHMZ\SáDW\ PLQLPDOL]DFMDRF]HNLZDQHMVWUDW\PR*OLZRFL

3RGHMPRZDQLHGHF\]MLZZDUXQNDFKQLHSHZQRFL 3RGHMPXMF\ GHF\]M QLH G\VSRQXMH *DGQ\PL LQIRUPDFMDPL RSUDZGRSRGRELHVWZLHUHDOL]DFMLSRV]F]HJyOQ\FKVWDQyZQDWXU\ Krytera wyboru decyz optymalne: kryterum maksymaksowe (Maxmax) kryterum maksymnowe (Maxmn) kryterum Laplace'a kryterum Hurwcza kryterum Savage'a (mnmaksowe, Mnmax).

Kryterum maksymaksowe (Maxmax) Decyza optymalna = decyza, które odpowada PDNV\PDOQDZ\SáDWD d = arg max(max w Max max ) ( kryterum skrane optymstyczne ) 3U]\NáDG korzystne ($) nekorzystne ($) max GX* IDEU\N 200 000-180 000 200 000 PDá IDEU\N 100 000-20 000 100 000 fabryk 0 0 0

Kryterum maksymnowe (Maxmn) Decyza optymalna = decyza, które odpowada PDNV\PDOQD]PLQLPDOQ\FKZ\SáDW d = arg max(mn w Max mn ) 3U]\NáDG korzystne ($) nekorzystne ($) mn GX* IDEU\N 200 000-180 000-180 000 PDá IDEU\N 100 000-20 000-20 000 fabryk 0 0 0

Kryterum Laplace'a =DáR*HQLHZV]\VWNLHVWDQ\QDWXU\V MHGQDNRZRSUDZGRSRGREQH Decyza optymalna = decyza, które odpowada PDNV\PDOQDRF]HNLZDQDZ\SáDWD d L = arg max( 1 m m = 1 w ) 3U]\NáDG korzystne ($) nekorzystne ($) UHGQLD GX* IDEU\N 200 000-180 000 10 000 PDá IDEU\N 100 000-20 000 40 000 fabryk 0 0 0

Kryterum Hurwcza =DáR*HQLH SRGHMPXMF\ GHF\]M RNUHOD ZDUWRü SHZQHJR ZVSyáF]\QQLNDα MHJRVWRSLH RSW\PL]PXJG]LH α [0,1]. Ocena Hurwcza decyz a : H ( a ) = α (max w ) + (1 α) (mn w ) Decyza optymalna = decyza, które odpowada maksymalna ocena Hurwcza d = arg max H ( a H ) 3U]\NáDG GODZVSyáF]\QQLNDα = 0. 8): korzystne ($) nekorzystne ($) H GX* IDEU\N 200 000-180 000 124 000 PDá IDEU\N 100 000-20 000 76 000 fabryk 0 0 0

Kryterum Savage'a (Mnmax) Decyza optymalna = decyza, które odpowada mnmalna z maksymalnych VWUDWPR*OLZRFL d = arg mn(max s Mn max ) 3U]\NáDG korzystne ($) nekorzystne ($) max GX* IDEU\N 0 180 000 180 000 PDá IDEU\N 100 000 20 000 100 000 fabryk 200 000 0 200 000

.U\WHULXPRF]HNLZDQHMZ\SáDW\ =DáR*HQLH]QDQ\MHVWUR]NáDGSUDZGRSRGRELHVWZDZ\VWSLHQLD poszczególnych stanów natury, tzn. dla zboru stanów natury Θ = θ,, θ } znamy P = p,, p }, gdze p { 1 m { 1 m = θ ), p = 1, 0 p 1 dla = 1,, m. P( m = 1 2F]HNLZDQDZ\SáDWDRGSRZLDGDMFDGHF\]ML value): a (expected monetary EMV ( a ) = m = 1 w p Decyza optymalna = decyza, które odpowada PDNV\PDOQDRF]HNLZDQDZ\SáDWD d = arg max EMV ( a EMV )

3U]\NáDG =Dáy*P\*HSUDZGRSRGRELHVWZRGX*HJRSRS\WXNRU]\VWQHZDUXQNL Z\QRVLQDWRPLDVWSUDZGRSRGRELHVWZRZ\VWSLHQLD nekorzystnych warunków wynos 0.4. korzystne ($) nekorzystne ($) EMV GX* IDEU\N 200 000-180 000 48 000 PDá IDEU\N 100 000-20 000 52 000 fabryk 0 0 0

.U\WHULXPRF]HNLZDQHMVWDUW\PR*OLZRFL =DáR*HQLH]QDQ\MHVWUR]NáDGSUDZGRSRGRELHVWZDZ\VWSLHQLD poszczególnych stanów natury. 2F]HNLZDQDVWUDWDPR*OLZRFLRGSRZLDGDMFDGHF\]ML opportunty loss): a (expected EOL( a ) = m = 1 s p Decyza optymalna = decyza, które odpowada mnmalna oczekwana strata PR*OLZRFL 3U]\NáDG d = arg mn EOL( a EOL ) korzystne ($) nekorzystne ($) EOL GX* IDEU\N 0 180 000 72 000 PDá IDEU\N 100 000 20 000 68 000 fabryk 200 000 0 120 000

3U]\NáDG =Dáy*P\*HSUDZGRSRGRELHVWZRGX*HJRSRS\WXNRU]\VWQHZDUXQNL wynos p, gdze p [0,1] QDWRPLDVWSUDZGRSRGRELHVWZR Z\VWSLHQLDQLHNRU]\VWQ\FKZDUXQNyZZ\QRVL1 p. korzystne nekorzystne EMV GX* IDEU\N 200 000-180 000 380000 p 180000 PDá IDEU\N 100 000-20 000 120000 p 20000 fabryk 0 0 0 Zatem P p < 0.167 Decyza optymalna IDEU\NL 0.167 < p < 0.62 PDá IDEU\N p > 0.62 GX* IDEU\N

2F]HNLZDQDZ\SáDWD SU]\Z\NRU]\VWDQLXGRVNRQDáHMLQIRUPDFML (expected value wth perfect nformaton) EVwPI = m = 1 (max w k k ) p Interpretaca: EVwPI UHGQLDZ\SáDWDNWyUHMPR*QDVL VSRG]LHZDü JG\E\ ]DZV]HSU]HGSRGMFLHP GHF\]ML Z\VWSRZDáDSHZQRüFR GR Z\VWSLHQLDNRQNUHWQHJRVWDQXQDWXU\ 2F]HNLZDQDZDUWRüGRVNRQDáHMLQIRUPDFML (expected value of perfect nformaton) EVPI = EVwPI max EMV ( a ) Interpretaca: EVPI PDNV\PDOQD NZRWD MDN GHF\]M RSáDFDVL Z\GDüDE\X]\VNDüGRVNRQDá LQIRUPDFM SRGHMPXMFHPX

3U]\NáDG =Dáy*P\*HSUDZGRSRGRELHVWZRGX*HJRSRS\WXNRU]\VWQHZDUXQNL Z\QRVLQDWRPLDVWSUDZGRSRGRELHVWZRZ\VWSLHQLD nekorzystnych warunków wynos 0.4. korzystne ($) nekorzystne ($) EMV GX* IDEU\N 200 000-180 000 48 000 PDá IDEU\N 100 000-20 000 52 000 fabryk 0 0 0 6WG a zatem EVwPI = 0.6 200000 + 0.4 0 = 120000 EVPI = 120000 52000 = 68000.