[2012最新文档] 风险型与不确定型决策模板.pptVIP

例题解答 方案ai在状态θj下的条件收益(净利润)为 qij=ai在θj下的销售份数×0.05 － ai在θj下的未销售份数× 0.25 如：q11=150000 × 0.05 - 0 × 0.25=7500(元) 同样，可以计算出其他的条件收益值。 得到如下决策矩阵 例题解答 销售状态概率向量为 P=(0.12,0.20,0.30,0.25,0.13)T 例题解答 根据期望值公式 得到：条件结果期望值向量 Q=(1290,3430,4970,5610,5500)T 最满意方案为a*=a4，即发行量为12万份。 此时该报社平均每天获利为5610元，其经济效益大大超过按固定发行量15万份的平均获利1290元。 状态优势 如果在所有状态下，方案ai的条件收益值不小于方案aj的条件收益值， 即qik≥qjk(k=1,2,…,n) 则称方案ai按状态优于方案aj。 在方案决策时可以将劣方案aj先淘汰掉。 概率优势法则 按概率优势是与按状态优势相对而言的 如果方案ai的条件收益值不小于任一实数的概率，大于或等于方案aj的条件收益值不小于同一实数的概率，则称方案ai按概率优于方案aj。 概率语言描述 设方案ai的收益为qi，x是任意实数 称Ri(x)=P(qi≥x)，(i=1,2,…,n)为方案ai的风险分布函数。 如果Ri(x) ≥Rj(x)，(i≠j)对一切的x都成立，并且至少有一个x,使得Ri(x) Rj(x)，则称方案ai按概率优于方案aj。 概率优势法则 在决策中，方案ai与方案aj之间存在按概率优势关系，则保留按概率处于优势的方案，淘汰按概率处于劣势的方案。若任意两个方案之间都存在按概率优势关系，则最满意方案就是对其他所有方案都具有按概率优势的方案。 举例 注意到方案a3按状态劣于方案a1，首先淘汰掉。 举例 计算方案a1和方案a2的风险分布函数 举例 比较R1(x) 和R2(x) ，显然 R1(x) ≥R2(x)，对一切的x都成立。 并且存在x,使得R1(x) R2(x) 。 因此，根据概率优势法则，方案a1按概率优于方案a2。 状态优势与概率优势 如果一个方案a按状态优于另一个方案a’，则a必定按概率优于a’； 反之，一个方案a按概率优于另一个方案a’，则a不一定按状态优于a’。 注意：并非任意两个方案之间都存在按概率优势关系，也就是说，概率优势法则在应用对象上存在一定的局限性。 μ – σ 法则的引入 风险型决策分析的期望值评价准则的判据是方案条件结果的期望值或期望效用值，这一准则只考虑了方案的收益性，仅从收益这一个方面来对各方案进行排序选优。然而实际情况是，任何方案都要冒收益不确定的风险。 在评价方案的优劣时，只考虑收益的因素而忽略风险的因素是不合理的。 μ – σ 法则的基本思路 μ-σ法则的基本思路是：在评价一个行动方案时，不仅考虑方案可能带来的期望收益值，同时也明确考虑代表风险的条件收益的方差。 举例 若用期望值准则进行决策，由于 则两方案是等价的。 举例（续） 但对于厌恶风险的决策者来讲，显然更偏爱方案a2，因为方案a1获得大额收益的可能性只有20%，而发生亏损的可能性却是80%，而方案a2是稳赚不赔的。 计算两方案条件收益的方差，得 说明方案a2的条件收益q2更加集中于它的均值附近，而方案a1的条件收益q1取值较为分散，或具有较大的波动性。 完全信息的价值 在风险型决策问题中，信息不完全时，一旦确定了最满意方案为a*，则不论出现何种自然状态,总是执行方案a*。若信息是完全的，决策者在任何自然状态下都能根据他所掌握的信息采取最有利的行动。这时决策者所获得的收益要大于信息不完全时所获得的最大收益，两者的差额就是完全信息的价值。 完全信息价值的数学描述 最满意方案的条件收益期望值 利用完全信息的条件收益期望值 风险型决策完全信息的价值 举例 某个体商贩夏季经销品种为雪糕和面包。卖雪糕晴天每天可获利50元，雨天只能获利5元；卖面包晴天每天可获利15元，雨天可获利30元。已知该季节晴天的概率为0.7，雨天的概率为0.3。试计算完全信息的价值。 此为重复性风险型决策，利用期望结果值评价模型。 举例 解题 卖雪糕，其期望利润值 卖面包，其期望利润值 最满意方案为卖雪糕 如果商贩掌握了完全信息，晴天卖雪糕，雨天卖面包，期望利润值为 完全信息的价值是 乐观系数 α由决策者主观估计而确定。 当α=1时，就是乐观准则； 当α=0时，就是悲观准则。 折衷准则中的α一般假定为0α1。 折衷准则举例 上例中的决策问题用折衷准则进行决策分析。取乐观系数α=1/3，各方案的折衷值为 最满意方案a*满