Teoría de la Decisión: Decisión con
Teoría de la Decisión: Decisión con
incertidumbre y riesgo
Teoría de la decisión: Introducción
Decisión:
Decisión:
elegir
elegir
lo mejor
lo mejor
entre
entre
lo posible
lo posible
→
→
→
→
→
→
→
→
Definir
Definir
lo mejor
lo mejor
y
y
lo posible
lo posible
•• Lo mejor:
Lo mejor:
-- Un criterio
Un criterio
(Optimización clásica y Decisión clásica)
(Optimización clásica y Decisión clásica)
-- Varios criterios o varios decisores
Varios criterios o varios decisores
(Juegos y Decisión
(Juegos y Decisión
multicriterio)
multicriterio)
multicriterio)
multicriterio)
•• Incertidumbre
Incertidumbre
–
– Optimización estocástica
Optimización estocástica
–
– Teoría de la decisión clásica
Teoría de la decisión clásica
–
– Teoría de juegos con información incompleta
Teoría de juegos con información incompleta
•• Lo Posible:
Lo Posible:
-- Conjunto
Conjunto
Discreto
Discreto
1. Decisión con incertidumbre o riesgo (juegos
frente a la naturaleza)
2. Juegos o juegos de estrategia
Índice
2. Juegos o juegos de estrategia
3. Decisión multicriterio
1. Decisión con incertidumbre o riesgo.
Introducción
Decisor toma decisión ante situación con diversos estados gobernados por azar
• EEEE = {E1,...,Em} Estados de la naturaleza
• AAAA = {A1,...,An} Decisiones posibles o alternativas
• xij : Consecuencia de tomar decisión Ai y se dé estado Ej • pj: Probabilidad de estado Ej.
• pj conocida: Decisión bajo riesgo pjdesconocida: Decisión bajo incertidumbre
• EEEE y AAAA finitos → tabla de decisión:
• EEEE y AAAA finitos → tabla de decisión:
E1 E2 ... Em p1 p2 ... pm Decisiones, A1 x11 x12 ... x1m alternativas A2 x21 x22 ... x2m o acciones : : : ... : An xn1 xn2 ... xnm Estados, escenarios → Probabilidades Matriz de pagos o consecuencias
Decisión con incertidumbre o riesgo
Criterios de valoración
Criterios
Criterios
Criterios
Criterios para
para
para
para valorar
valorar
valorar decisiones
valorar
decisiones
decisiones
decisiones
B) Probabilidades desconocidas o ignoradas:
Criterio de Wald o minimax-maximin o pesimista: Valorar con lo peor
A) Probabilidades conocidas:
Criterio del valor esperado o de Laplace: Valorar alternativas con valor esperado o medio (bueno situaciones repetidas)
Criterio de la moda: Valorar con valor en escenario moda (bueno moda clara)
Criterio de escenario medio: Obtener escenario medio y valorar con valor en él
Criterio de Wald o minimax-maximin o pesimista: Valorar con lo peor Costes: minimax Ganancias: maximin
Criterio optimista: Valora cada alternativa con lo mejor (apenas usada)
Criterio de Hurwicz: Actitudes entre la más pesimista y la más optimista:α
(0≤α≤1) → índice optimismo Valorar: α•Lo mejor + (1-α)•Lo peor
Criterio de Savage o costes de oportunidad o minimizar máximo arrepentimiento
Coste de oportunidad de no prever correctamente el estado de la naturaleza. Matriz penalizaciones o costes oportunidad: lo mejor del estado – valor matriz A esa matriz aplicar minimax (puede ser otro)
1. Decisión con incertidumbre o riesgo
Criterios de valoración
Demanda: 1 (0’1), 2 (0’3), 3 (0’4), 4 (0’2). P. Venta mes: 6500, mes siguiente: 4000; Coste: 5000 D1=1 D2=2 D3=3 D4=4 P1=0’1 P2=0’3 P3=0’4 P4=0’2 A1=1 1500 1500 1500 1500 A2=2 500 3000 3000 3000 A3=3 -500 2000 4500 4500 A4=4 -1500 1000 3500 6000
A) Ganancia esperada: A1: 1500 A2: 2750 A3: 3250 A4: 2750
Moda: A1: 1500 A2: 3000 A3: 4500 A4: 3500
SAVAGE: 0 1500 3000 4500 4500
1000 0 1500 3000 3000
2000 1000 0 1500 2000
3000 2000 1000 0 3000
Moda: A1: 1500 A2: 3000 A3: 4500 A4: 3500
Escenario medio: 2’7 A1: 1500 A2: 3000 A3: 3750 A4: 2750
B) Wald: A1: 1500 A2: 500 A3: -500 A4: -150
Optimista: A1: 1500 A2: 3000 A3: 4500 A4: 6000
Hurwicz: A1: 1500 A2: 3000α+500(1-α) A3: 4500α-500(1-α)
1. Decisión con incertidumbre o riesgo
Valor esperado de la información perfecta
Valor esperado de la información perfecta (VEIP)
Valor esperado de la información perfecta (VEIP)
Valor esperado de la información perfecta (VEIP)
Valor esperado de la información perfecta (VEIP)
VEIP = Ganancia esperada con información perfecta - Ganancia esperada con incertidumbre
• Ganancia esperada con información perfecta: Para cada estado mejor decisión y esperanza
• Ganancia esperada con incertidumbre: Dada la decisión elegida, esperanza de la ganancia
Ejemplo:
• Ganancia esperada con información perfecta: • Ganancia esperada con información perfecta:
• Si la decisión es A3: Ganancia esperada con incertidumbre 3250
VEIP = 4050 - 3250 = 800
(Equivale a criterio de Savage con penalización esperada)
VEIP se puede entender como lo que se está dispuesto a pagar por tener la certeza del estado que se va a dar (valor de la información).
1 2 3 4 1 2 3 4
:1 (0 '1)
: 2 (0 '3)
: 3 (0 ' 4)
: 4 (0 ' 2)
(1500)
(3000)
(4500)
(6000)
4050
D
D
D
D
A
A
A
A
GEIP
=
1. Decisión con incertidumbre o riesgo
Árboles de decisión
Procesos
Procesos
Procesos
Procesos decisión
decisión
decisión polietápicos
decisión
polietápicos
polietápicos
polietápicos:::: Árboles
Árboles
Árboles
Árboles de
de
de
de decisión
decisión
decisión
decisión
Proceso Proceso Proceso
Proceso secuencialsecuencialsecuencial desecuencial dede Decisiónde DecisiónDecisiónDecisión----AzarAzarAzarAzar
Árbol Árbol Árbol
Árbol dedede decisiónde decisióndecisióndecisión::::
· Vértice de azar: salen tantos arcos como estados de la naturaleza posibles en ese punto
· Vértice de decisión: salen tantos arcos como acciones posibles en ese punto
· Vértice inicial o raiz: salen tantos arcos como acciones iniciales hay. · Vértice terminal u hoja: asignar coste o beneficio
El El El
El árbolárbolárbol seárbol sesese construyeconstruyeconstruyeconstruye dedede raízde raízraízraíz aaaa hojas,hojas, yyyy sehojas,hojas, sesese valoravaloravaloravalora de hojasdedede hojashojashojas aaaa raízraízraízraíz::::
Nodos de azar: valorar con alguno de los criterios (suele ser valor medio)
Nodos de decisión: Elegir la mejor decisión según el criterio elegido. Las
140.000 50.000 -40.000 A2 P. Grande D.Alta 0'3 D.Media 0'5 D.Baja 0'2 59000 65000
1. Decisión con incertidumbre o riesgo
Árboles de decisión
Ejemplo Ejemplo Ejemplo
Ejemplo VendedorVendedorVendedor ambulanteVendedor ambulanteambulanteambulante:::: Enero: pagar 400 euros permiso para ir feria septiembre Un mes antes: previsión mal tiempo (0'3) → no va feria
Tipos pedido: Grande 900 u. P.c.:100 P.v.:300; Pequeño 600 u. P.c.:125 P.v.:350 Demanda: 900 (0'3) 600 (0'5) 300 (0'2). Si demanda > pedido, P.v. 50 menos
-40.000 65.000 95.000 -10.000 A'2 D2 A1 D1 -40.000 0 permiso No permiso Buen tiempo 0'7 Mal tiempo 0'3 P. Pequeño D.Alta 0'3 D.Media 0'5 D.Baja 0'2 65000 33500 33500
Decisión con incertidumbre o riesgo
Árboles decisión: incremento información parcial Bayes
• Probabilidades a priori
:
– Estimaciones probabilidades estados de la naturaleza
• Probabilidades a posteriori
:
– Estimaciones de las probabilidades tras saber resultado de
experimento asociado
– Ejemplo: El viajante pregunta Enero experto estadístico
meteorólogo climatología septiembre. Si es útil, modificará
meteorólogo climatología septiembre. Si es útil, modificará
probabilidades según lo que diga el experto
• Incorporar información al árbol de decisión:
– Si se conocen probabilidades a posteriori, directo
– Si no se conocen, teorema de la probabilidad total y de Bayes
( ) ( / i) ( )i i P A =
∑
P A B ⋅P B ( / ) ( / ) ( ) ( ) P A B P B P B A P A ⋅ =1. Decisión con incertidumbre o riesgo
Utilidad
Utilidad: concepto y funciones de utilidad
Utilidad: concepto y funciones de utilidad
Utilidad: concepto y funciones de utilidad
Utilidad: concepto y funciones de utilidad
Valoración personal de una cantidad
→
utilidad
Función de utilidad :
resume importancia que la persona asocia a
cantidades
Índice o escala
personal,
no decreciente.
Los criterios de decisión con utilidades.
Utilidad1. Decisión con incertidumbre o riesgo
Utilidad
Función de utilidad- Von Neumann, Morgenstern
• Lotería: (p
1,r
1;p
2,r
2; ...;p
n,r
n)
L
1pL
2: se prefiere
L
1iL
2: indiferentes, loterías
equivalentes
1/4
3/4
500
0
• La
utilidad
,
u(r
i):
número
q
ital que son
equivalentes
(1,
r
i)
y
(
q
i, Result. Más favorable;
1-q
i,
Result. Menos favorable)
• La especificación de las utilidades de todos los pagos:
función de utilidad
• Utilidad esperada de una lotería=
• Alternativas
↔
Loterías
1( )
n i i ip u r
=∑
1. Decisión con incertidumbre o riesgo
Utilidad
Axiomas de Von Neumann-Morgenstern
• Ax1 de ordenación completa:
Dados r
1y r
2se cumple: r
1pr
2o r
2pr
1o r
1i r
2.Transitividad (r
1pr
2y r
2pr
3es r
1pr
3)
• Ax2 de continuidad:
Si r
1pr
2y r
2pr
3entonces existe c tal que (1, r
2) i (c, r
1; 1-c, r
3)
• Ax3 de independencia:
Si r i r entonces
∀
c
∈
(0,1) son indiferentes (c, r ; 1-c, r ) y (c, r ; 1-c, r )
Si r
1i r
2entonces
∀
c
∈
(0,1) son indiferentes (c, r
1; 1-c, r
3) y (c, r
2; 1-c, r
3)
• Ax4 de probabilidad desigual:
Si r
1pr
2entonces (c, r
1; 1-c, r
2) p (c’, r
1; 1-c’, r
2) si c > c’
• Ax5 de lotería compuesta:
Lotería compuesta equivalente a simple
Compuesta:
0.5
0.5
0.3
0.7
10
-5
-5
0.85
0.15
10
-5
1. Decisión con incertidumbre o riesgo
Utilidad
La función de utilidad aunque no vaya entre 0 y 1 puede ser
transformada a este rango:
Si u(x) función de utilidad, sea v(x)=au(x)+b (a>0). Entonces:
• L1pL2 usando u(x) si y sólo si L1pL2 usando v(x)
• L1i L2 usando u(x) si y sólo si L1i L2 usando v(x)
Estimación de la función de utilidad de un individuo:
Por ejemplo, pedir valor utilidad ½ (indiferente él seguro a ½ peor y mejor)
Seguir con el de ¼ (igual anterior pero ½ el de utilidad ½ y ½ el peor)
1. Decisión con incertidumbre o riesgo
Utilidad
Relación función de utilidad y conducta ante el riesgo
Equivalente de certeza
(CE(L)) = valor en que es
indiferente ese valor seguro a la lotería L
Ventaja de riesgo
(RP(L)) = EV(L) – CE(L) (es decir,
valor esperado de la lotería menos equiv. de certeza)
Actitud ante el riesgo:
– Contrario a los riesgos: RP(L) >0 (cóncava)
– Neutral frente a riesgos: RP(L)=0 (recta)
Zonas Cóncavas: aversión al riesgo
Zonas Convexas: preferencia por el riesgo Zonas lineales: neutralidad
1. Decisión con incertidumbre o riesgo
Utilidad
Utilidad