183869 (Принятие решений в условиях неопределенности)

Принятие решений в условиях неопределенности

Теория статистических решений может быть истолкована как теория поиска оптимального недетерминированного поведения в условиях неопределенности. Согласно А.Вальду, поведение считается оптимальным, если оно минимизирует риск в последовательных экспериментах, т.е. математическое ожидание убытков статистического эксперимента.

Считаю необходимым рассмотреть четыре критерия принятия решений в условиях неопределенности, когда никакие вероятностные характеристики не известны.

• критерий Лапласа,

• минимаксный критерий,

• критерий Сэвиджа,

• критерий Гурвица.

Основное различие между этими критериями определяется стратегией лица, принимающего решения. Критерий Лапласа основан на более оптимистичных предположениях, чем минимаксный критерий. Критерий Гурвица можно использовать при различных подходах – от наиболее оптимистичного до наиболее пессимистичного. Все эти критерии отражают субъективную оценку ситуации, в которой приходится принимать решение. При этом не существует общих правил применимости того или иного критерия, так как поведение лица, принимающего решение в условиях неопределенности, является наиболее важным фактором при выборе подходящего критерия.

Перечисленные критерии базируются на том, что лицу, принимающему решение, не противостоит разумный противник. В случае, когда в роли противника выступает природа, нет оснований предполагать, что она стремится причинить вред лицу, принимающему решение.

При наличии разумного противника, интересы которого противоречат интересам лица, принимающего решения (например, в военных действиях противоборствующие армии являются разумными противниками), для построения подходящего критерия требуется специальный подход. Эти вопросы рассматриваются в теории игр.

Данные, необходимые для принятия решений в условиях неопределенности, задаются в форме матрицы, строки которой соответствуют действиям, а столбцы - возможным состояниям системы.

Каждому действию и каждому возможному состоянию системы соответствует результат (исход), определяющий выигрыш (или потери) при выборе данного действия и реализации данного состояния.

Пусть ai (i=1,2, ... , m)

и q j представляет возможное состояние j ( j=1,2, ... ,n),

n ( ai , q j ) - описывает соответствующий результат.

В общем случае n ( ai , q j ) может быть непрерывной функцией ai и q j .

В дискретном случае указанные данные представляются в форме матрицы.

Критерий Лапласа

Этот критерий опирается на известный принцип недостаточного обоснования. Поскольку вероятности состояний q 1, q 2, ... ,q n не известны, необходимая информация для вывода, что эти вероятности различны, отсутствует. В противном случае можно было бы определить эти вероятности и ситуацию уже не следовало рассматривать как принятие решения в условиях неопределенности. Так как принцип недостаточного обоснования утверждает противоположное, то состояния q 1, q 2, ...,q n имеют равные вероятности. Если согласиться с приведенными доводами, то исходную задачу можно рассматривать как задачу принятия решений в условиях риска, когда выбирается действие ai , дающее ожидаемый выигрыш.

Другими словами, находится действие ai* , соответствующее

- вероятность реализации состояния q j ( j=1,2, ... ,n),

Пример. Одно из предприятий должно определить уровень предложения услуг так, чтобы удовлетворить потребности клиентов в течение предстоящих праздников. Точное число клиентов не известно, но ожидается, что оно может принять одно из четырех значений: 200, 250, 300 или 350 клиентов. Для каждого из этих возможных значений существует наилучший уровень предложения (с точки зрения возможных затрат). Отклонения от этих уровней приводят к дополнительным затратам либо из-за превышения предложения над спросом, либо из-за неполного удовлетворения спроса.

В таблице приведены потери в тысячах долларов.

Клиенты

Уровень предложения

Принцип Лапласа предполагает, что q 1, q 2, q 3, q 4 равновероятны.

Следовательно, P{q =q j } =1/4, j= 1, 2, 3, 4, и ожидаемые потери при различных действиях a1, a2, a3, a4 составляют

E{a1}= (1/4)(5+10+18+25)=14,5

E{a2}= (1/4)(8+7+8+23)=11,5

E{a3}= (1/4)(21+18+12+21)=18,0

E{a4}= (1/4)(30+22+19+15)=21,5

Таким образом, наилучшим уровнем предложения в соответствии с критерием Лапласа будет a2.

Минимаксный (максиминный) критерий

Является наиболее осторожным, поскольку основывается на выборе наилучшей из наихудших возможностей. Если результат n (ai , q j) представляет потери лица, принимающего решение, для действия ai наибольшие потери независимо от возможного состояния q j будут равны

В этом случае критерий называется максиминным.

Пример. Рассмотрим предыдущий пример. Так как n (ai , q j) представляют потери, применим минимаксный критерий. Результаты вычислений представим в виде следующей таблицы.

Минимаксной стратегией будет a3 .

Подходы к учету неопределенности при описании рисков. В теории принятия решений в настоящее время при компьютерном и математическом моделировании для описания неопределенностей чаще всего используют такие математические средства, как:

- вероятностно-статистические методы,

- методы статистики нечисловых данных, в том числе интервальной статистики и интервальной математики, а также методы теории нечеткости,

- методы теории конфликтов (теории игр).

Они применяются в имитационных, эконометрических, экономико-математических моделях, реализованных обычно в виде программных продуктов.

Некоторые виды неопределенностей связаны с безразличными к организации силами - природными (погодные условия) или общественными (смена правительства). Если явление достаточно часто повторяется, то его естественно описывать в вероятностных терминах. Так, прогноз урожайности зерновых вполне естественно вести в вероятностных терминах. Если событие единично, то вероятностное описание вызывает внутренний протест, поскольку частотная интерпретация вероятности невозможна. Так, для описания неопределенности, связанной с исходами выборов или со сменой правительства, лучше использовать методы теории нечеткости, в частности, интервальной математики (интервал – удобный частный случай описания нечеткого множества). Наконец, если неопределенность связана с активными действиями соперников или партнеров, целесообразно применять методы анализа конфликтных ситуаций, т.е. методы теории игр, прежде всего антагонистических игр, но иногда полезны и более новые методы кооперативных игр, нацеленных на получение устойчивого компромисса.

Иногда под уменьшением риска понимают уменьшение дисперсии случайной величины, поскольку при этом уменьшается неопределенность. В теории принятия решений риск - это плата за принятие решения, отличного от оптимального, он обычно выражается как математическое ожидание. В экономике плата измеряется обычно в денежных единицах, т.е. в виде финансового потока (потока платежей и поступлений) в условиях неопределенности.

Критерий Сэвиджа

Этот критерий характеризуется крайней осторожной (пессимистической) позицией к возможным потерям из-за отсутствия достоверных сведений о том, какая из ситуаций, влияющих на экономический результат, будет иметь место в конкретном случае. Реализуется применительно к матрице рисков и потерь.

Матрица потерь строится следующим образом:

1.Находим наибольшее значение по каждому случайному событию Qi

2. Выписываем их в качестве утопических точек отдельно

3.Вычитаем из каждой такой утопической точки соответствующие этому случайному события Хi (пример: для Q1: Xy-X1,Xy-X2,Xy-X3.....).

4.Получаем новую матрицу потерь.

В рамках такого подхода функция, задающая семейство «линий уровня» определяется равенством:

F(u,v,......,z)= max(a_y-u, a_y-v,......, a_y-z)

Целевая функция критерия:

Zs=min(Ki), где Ki=max(Lij), Lij=max(Aij)-Ay, где (Lij) – матрица потерь

i – вариант возможного решения ЛПР

j – вариант возможной ситуации

Aij – доход ЛПР, если будет принято решение i, а ситуация сложится j

А = (Aij) – матрица полезностей.

(Lij) – соответствующая матрица рисков или потерь

Критерий Гурвица

Критерий Гурвица – это взвешенная позиция “пессимизма-оптимизма”.

При С =1 - критерий Гурвица просто соответствует Максиминному критерию.

Составные критерия принятия решений в условиях неопределенности.

Шаг А: требования к допустимому риску.

Вот на этом шаге уточняется критический уровень дохода(или потерь), приемлемый для ЛПР в конкретной ситуации. За основу бреется опорное значение для выбранного опорного критерия. После задается допустимое для ЛПР максимально возможное отклонение Едоп>0 от опорного значения(в худшую сторону).

Шаг Б: блокировка решений с недопустимом риском.

Вот на этом шаге удаляются из исходной матрицы все решения, который не подходят требованиям ЛПР, которые предъявляются к допустимому риску применительно к анализируемой ситуации.

Шаг В: требования к компенсации за риск.

Этот шаг уточняет требования к анализируемым решениям, для которых баланс между риском потерь( при -) и компенсации( при +) является приемлемым для ЛПР.

Шаг Г: блокировка решений с недостаточной компенсацией риска.

Вот на этом шаге из матрицы полезностей(которая будет получена после шага Б) удаляются все решения, которые не соответствуют требованиям ЛПР.

Шаг Д: выбор оптимального решения.

И наконец, на этом шаге для оставшейся «урезанной» матрицы находится оптимальное решение по заранее оговоренном критерию. Это найденное решение и будит являться оптимальным выбором для соответствующего составного критерия.

Последствия решений менеджера, экономиста, инженера проявятся в будущем. А будущее неизвестно. Мы обречены принимать решения в условиях неопределенности. Мы всегда рискуем, поскольку нельзя исключить возможность нежелательных событий. Но можно сократить вероятность их появления. Для этого необходимо спрогнозировать дальнейшее развитие событий, в частности, последствия принимаемых решений.