- •Моделювання економічного ризику
- •8.1. Теоретико-ігрова модель
- •8.1.1. Концепція теорії гри
- •8.1.2. Економічне середовище
- •8.1.3. Функціонал оцінювання
- •8.1.4. Функція ризику
- •8.1.5. Матриця ризику
- •8.1.6. Неперервний випадок
- •8.2. Інформаційна ситуація
- •8.3. Прийняття рішень в умовах ризику
- •8.4. Критерії прийняття рішень
- •8.4.1. Перша інформаційна ситуація (і1)
- •8.4.1.1. Критерій Байєса
- •8.4.1.2. Модальний критерій
- •8.4.1.3. Критерій мінімального сподіваного значення несприятливих відхилень від моди
- •8.4.1.4. Критерій мінімальної дисперсії
- •8.4.1.5. Критерій мінімальної семіваріації
- •8.4.1.6. Критерій мінімального коефіцієнта варіації
- •8.4.1.7. Критерій мінімального коефіцієнта семіваріації
- •8.4.2. Друга інформаційна ситуація (і2)
- •8.4.3. Третя інформаційна ситуація (і3)
- •8.4.3.1. Ряд пріоритетів. Перша формула Фішберна
8.4.1.1. Критерій Байєса
Критерій Байєса також називають критерієм середньозваженого (сподіваного) прибутку, затрат, ризику тощо.
Згідно з критерієм Байєса у випадку, коли F = F+, оптимальним рішенням вважається таке, для якого математичне сподівання відповідного вектора оцінювання досягає найбільшого можливого значення, тобто знаходять, виходячи з умови:
:*) В+( ; Р) = В+(хk; Р),
де В+(хk; Р) = = М(F ).
Якщо ж F = F–, то оптимальне рішення визначається, виходячи з умови:
: ( ; Р) = (хk; Р),
де (хk; Р) = = М( ).
Якщо максимум досягається на кількох рішеннях з множини Х (множину яких позначимо через Х*), то такі рішення називаються еквівалентними відносно даного критерію.
Описаний підхід до визначення оптимальної стратегії в теорії статистичних рішень називається байєсівською стратегією.
Величина В+(хk; Р) (чи В–(хk; Р)) називається байєсівською оцінкою рішення хкХ.
У теорії статистичних рішень доводиться, що стратегія , яка є оптимальною з точки зору Байєса (у випадку, коли F = F+ чи F = F–), збігається зі стратегією, яка мінімізує сподіваний ризик (тобто стратегія, яка є оптимальною за критерієм Байєса, водночас є оптимальною з позиції мінімуму сподіваного ризику невикористаних можливостей).
Якщо функціонал оцінювання задано в ризиках, то відповідну величину називають байєсівським ризиком рішення
Розв’язання. Розподіл ймовірності станів ЕС був установлений під час розв’язання прикладу 8.2:
.
Знаходимо оцінки Байєса для відповідних рішень:
Оскільки ФО має позитивний інгредієнт , то з урахуванням того, що
,
оптимальним для дилера згідно з критерієм Байєса є рішення х3 — закупка 6 кошиків малини.
Якщо ж тепер в якості ФО використати матрицю невикористаних можливостей (приклад 8.3), то отримаємо Байєсівські ризики для відповідних рішень:
Оскільки функціонал оцінювання має негативний інгредієнт,
,
то (як і раніше) робимо висновок про оптимальність рішення x3 (на цей раз — з позиції Байєсівського ризику).-
8.4.1.2. Модальний критерій
У випадку, коли оптимальне рішення відшукується з умови:
,
де — мода випадкової величини . У дискретному випадку відповідає станові ЕС, ймовірність настання якого є найбільшою, в неперервному випадку — точці максимуму функції щільності розподілу ймовірності.
У випадку, коли
.
8.4.1.3. Критерій мінімального сподіваного значення несприятливих відхилень від моди
У випадку, коли + чи ,
,
де — сподіване значення несприятливих відхилень від моди для рішення хk; — сумарна ймовірність настання несприятливих відхилень (у випадку, коли , значення сподіваного несприятливого відхилення покладається рівним нулеві, тобто ), — вектор індикаторів несприятливих відхилень по відношенню до модального значення (хk; Мо()).
Наприклад, у випадку, коли +, для рішення хk
.
Приклад 8.5. Виходячи з умови задачі про фруктового дилера (приклад 8.2), знайти рішення, яке є оптимальним з позицій:
а) модального критерію;
Розв’язання: а) Оскільки з найбільшою ймовірністю може настати випадкова подія 3 ( Р(3) = 0.4 ), то Мо() = 3. Так як ФО має позитивний інгредієнт ( +), то з урахуванням того, що max{f(x1; 3); f(x2; 3); f(x3; 3); f(x4; 3); f(x5; 3)} = 60 = f(x3; 3), оптимальним для дилера згідно з модальним критерієм є рішення
х3 ( = х3).
б) Оскільки Мо() = 3, то несприятливі відхилення задовольняють умову:
f(хk: j) < f(xk; Mo()) = f(xk;3); k = 1, ..., m.
Оскільки для рішення х1 величина f(x1; Mo()) = 40, то всі відхилення є сприятливими, тобто 1 = {11; 12; 13; 14; 15;} = = {0; 0; 0; 0; 0; 0;}, а тому величина сподіваного відхилення також дорівнює нулеві: .
Для рішення х2:
f(x2; Mo()) = 50; 2 = {1;0;0;0;0}; = 1 · 0,1 = 0,1; =50 – · 1 · 0,1 · 25 = 25.
Для рішення х3:
f(x3; Mo()) = 60; 3 = {1;1;0;0;0}; = 0,1 + 0,2 = 0,3; = 60 – · (10 · 0,1 + 35 · 0,2) = 33,33.
Для рішення х4:
f(x4; Mo()) = 45; 4 = {1; 1; 0; 0; 0}; = 0,3; =45 – · (– 5 · 0,1 + 20 · 0,2) = 33,33.
Для рішення х5:
f(x5; Mo()) = 60; 5 = {1; 1; 0; 0; 0}; = 0,3; = 30 – · (– 20 · 0,1 + 5 · 0,2) = 33,33.
Оскільки min{ ; ; ; ; } = 0 = , то з позиції даного критерію найкращим слід вважати рішення х1, після нього — рішення х2, решту рішень — еквівалентних між собою.-