Log02DecTeo PDF

La teoria delle decisioni
Loggetto della Decision Theory la decisione intesa come scelta tra

alternative
Esempi: se introdurre o meno di un nuovo prodotto, se rinnovare un
impianto oppure aprirne uno nuovo, se effettuare o meno un investimento,
di quanto rifornirsi per soddisfare una domanda di prodotto, ...
Teoria delle Decisioni
Decisioni dagli esiti non deterministici

Le conseguenze di una decisione non sono certe
Casi diversi da quelli affrontati con i metodi di ottimizzazione (funzione
obiettivo = misura certa della prestazione)
30/01/2002 15.15
M.Paolucci, R.Pesenti
1
Un semplice esempio
The newsvendor model:
Un venditore di giornali deve decidere di quanto rifornirsi
Acquista i giornali a 40 e li vende a 75
Non conosce a priori quale sar la domanda di giornali
Se si rifornisce in eccesso perde linvestimento (40 per invenduto)
Se si rifornisce in difetto perde potenziali clienti (stima 50 per cliente)
Se ad esempio i livelli di domanda fossero d=0,1,2,3
Fasi dellanalisi decisionale (Decision Analysis, DA)

Individuazione delle alternative Ai, i=1,...,m (mutuamente esclusive)
Individuazione degli eventi futuri (stati della natura) Sj, j=1,...,n (esaustivi
e mutuamente esclusivi)
i Si = S Si Sj = ;
Calcolo (stima) degli esiti della scelta nei diversi stati della natura (payoff)
Vij, i=1,...,m; j=1,...,n
Livello della domanda

Decisione
-50
-100
-150
-40
35
-15
-65
-80
-5
70
20
-120
-45
30
105
Matrice dei Payoff
S1
...
Sn
A1
V11
...
V1n
...
...
Vij
...
An
Vm1
...
Vmn
3

certezza
Fasi dellanalisi decisionale

Valutazione delle alternative
Tre classi di decisioni
Decisioni in condizioni di certezza
lo stato futuro della natura (esiti della decisione) sono certi
Decisioni in condizioni di rischio
lo stato futuro della natura noto in probabilit
Decisioni in condizioni di incertezza
non si conosce nulla circa lo stato futuro della natura
ProdMix
rischio
incertezza
cj var. aleatorie
cj
cj{cj1, cj2, cj3}
p(cj)
Imperfezione dellinformazione
Inaffidabilit dei modelli
(insoddisfazione delle soluzioni)
Condizioni di rischio
la probabilit fornisce una misura del rischio di una decisioni
normalmente una probabilit soggettiva (stima)
Sono tre modelli artificiali (nella realt non si verificano quasi mai)
Si cerca di modellare le situazioni di informazione imperfetta o parziale
5

Decisioni strutturate e non strutturate
Nella realt i fattori soggettivi (emotivi, avversione al rischio, valutazioni non

quantitative) giocano un ruolo fondamentale
La teoria delle decisioni fornisce un supporto metodologico per confrontare
alternative decisionali
I metodi assumono un comportamento razionale del decisore (Decision
Maker, DM):
Un DM razionale se sceglie lalternativa che giudica la migliore
Assunzioni della DA:
il DM in grado di quantificare i suoi giudizi sui possibili stati futuri
della natura (probabilit soggettive)
il DM in grado di specificare le sue preferenze circa la desiderabilit
delle alternative (teoria dellutilit)
il DM (consistentemente rispetto alle probabilit soggettive e alla
propria utilit) sceglie lalternativa che massimizza lutilit attesa
Strutturate
Non strutturate
Certezza
Ripetitivit
Operative
Obiettivo singolo
Procedure disponibili
Incertezza
Unicit
Strategiche
Obiettivi multipli contrastanti
Non esistono procedure
DM sempre razionali
DM spesso non razionali
Ruolo della DA
fornire strumenti metodologici che aiutano i DM a prendere decisioni
razionali, ossia consistenti con i loro giudizi di preferenza
7
D.A. Decisioni in condizioni di rischio

Si suppongono specificate le probabilit (soggettive) degli stati futuri della
natura
Teoria delle decisioni vs Teoria dei giochi
Si basano sulla massimizzazione del valore atteso

Alternative Ai, i=1,...,m
Nella Game Theory si ipotizza la presenza di pi DM che operano in

competizione la decisione del DM presa in presenza di entit
intelligenti che agiscono in opposizione (tendono a determinare uno stato
futuro sfavorevole per il DM) e possono subire a loro volta conseguenze
(negative) in seguito alla decisione del DM
Stati delle natura Sj, j=1,...,n

Probabilit di occorrenza degli stati p(Sj)
Matrice dei payoff V (nm) V =[Vij,i=1,...,m j=1,...,n]
Valore monetario atteso dellalternativa i EVi = j p(Sj)Vij
Nella Decision Analysis non esiste un entit che opera in opposizione ma

unentit, la natura, che determina lo stato futuro restando indifferente
rispetto alle decisioni del DM (loppositore la natura che non agisce in
modo malevolo)
Valore monetario atteso massimo (EV)

EV = maxi EVi
A* = { Ai : i = arg maxi EVi }
9
Il criterio del massimo EV non generalmente accettabile
Esempio 1: decidere un investimento
Esempio 2: una diversa opportunit di un investimento per DM1
ricavo 100.000
p=0,5
ricavo 23.000
p=0,5
18.000
Investimento
80000
Investimento
EV = 30.000
di 20.000
1-p=0,5
ricavo 0
10
di 5.000
-20000
1-p=0,5
ricavo 0
Guadagno atteso = EV = 30.000
EV = 6.500
-5000
Guadagno atteso = EV = 6.500
Due diversi decisori:

DM1: una perdita > 5.000 corrisponde alla bancarotta non investe
Anche se il EV molto inferiore DM1 questa volta accetta di investire!
DM2: dispone di un surplus di capitale investe

La decisione dipende dalla diversa propensione del DM a rischiare
11
12
La decisione presa considerando lutilit attesa
Perch il criterio del massimo valore atteso monetario non funziona?
Lutilit una misura (cardinale) della preferenza di un DM in presenza di

rischio
Si basa sullipotesi che la situazione decisionale si possa ripetere un

numero sufficiente grande di volte:
Tiene conto dei payoff delle alternative ma anche della diversa avversione o
propensione al rischio del DM
se Zi, i=1,..n sono le realizzazioni di una variabile aleatoria Z con

media E[Z] e varianza 2 ...
La funzione di utilit, U(.), fornisce un valore numerico che legato al valore

intrinseco della decisione per un DM
la media della sequenza campionaria tende a E[Z] per n dato che

la varianza della sequenza
2 / n 0
U(.) esprime una misura soggettiva:

se A > B (A preferita a B) U(A) > U(B)
U(A) una misura proporzionale alla preferenza del DM per A
determinata fissando lorigine (zero) e la scala dei valori di utilit
Il criterio si basa sulla legge dei grandi numeri ma la decisione reale

unica e non pu essere ripetuta
13
14
Costruzione della funzione di utilit (lesperimento di Von NeumannMorgenstern)
Esempio: A1:investimento es. 1, A2:investimento es. 2.
La lotteria standard (standard lottery) S(p)
Scelta
1-p
XE
XD
U(XE)
EU(A1) = 50
U(XD)
U(XE) =100
p=0,5
80.000
1-p = 0,5
-20.000
p=0,5
18.000
U(X1) =95
1-p = 0,5
-5.000
U(X2) =75
U(XD)=0
Scelta
XE la conseguenza pi desiderabile (utilit massima)

XD la conseguenza meno desiderabile (utilit minima)
EU(A2) = 85
Data unalternativa A, U(A) si costruisce chiedendo al DM di specificare

per quale livello di p risulta indifferente scegliere A o partecipare alla
lotteria S(p)
U(A) = EV(S(p)) = pU(XE)+(1-p)U(XD)
15
16
Determinazione dellutilit delle alternative:

Commenti (cont.):
in questo caso, lutilit normalizzata a 100. Altre scelte possono

essere adottate, vedi in seguito la CME.
alla conseguenza X2 imposta utilit 75, i.e., il decisore piuttosto che

perdere con certezza 5.000 EUR parteciperebbe ad una lotteria in cui
la probabilit di vittoria di 80.000 EUR 75% e la probabilit di
perdere 20.000 EUR il 25%. Si noti che il DM preferisce perdere
Si inizia fissando lutilit delle conseguenze ultime delle varie

decisioni, si procede quindi allindietro determinando lutilit delle
varie alternative:
con certezza 5.000 EUR per probabilit di perdita superiore al 25%;
alla conseguenza pi desiderabile XE imposta utilit 100;
data lutilit delle sue possibili conseguenze, lutilit (attesa)

dellalternativa A1 (vedi lucidi successivi) 50 = 0.5U(XE)+
0.5U(XD);
alla conseguenza meno desiderabile XD imposta utilit 0;

alla conseguenza X1 imposta utilit 95, i.e., il decisore rinuncerebbe
ai suoi 18.000 EUR solo per partecipare ad una lotteria in cui la
probabilit di vittoria di 80.000 EUR 95% e la probabilit di
perdere 20.000 EUR 5%;
in modo analogo, lutilit (attesa) dellalternativa A2 85 = 0.5U(X1)+

0.5U(X2).
(continua)
17
18
Esempio: Calcolo utilit A2.

p=0,5
Scelta
A2
1-p = 0,5
calcolando la probabilit totale che si verifichi 80.000 e 20.000 si ottiene,

lalbero seguente.
18.000 U(X1) =95

-5.000
U(X2) =75
Data la definizione di utilit alla Von Neumann-Morgenstern, i due alberi

sono equivalenti.
p=0,95
p=0,5
Scelta
Scelta
80.000
A2
p=0,85
1-p = 0,15
80.000
-20.000
U(X1) =95
1-p = 0,05 -20.000
per il DM scegliere lalternativa A2 equivale a sottoporsi ad una lotteria in cui

vi sia la probabilit p=0,85 di vincere 20.000EUR e la probabilit 1-p=0,15 di
perdere 20.000EUR. Lutilit di A2 corrisponde quindi a 0,85 ovvero al valore
atteso ottenendo mediando le utilit di X1 e X2.
A2
p=0,75
1-p = 0,5
80.000
U(X2) =75
1-p = 0,25
Questo risultato vero in generale come si pu banalmente provare,

imponendo le utilit e le probabilit come dei parametri.
-20.000
19
20
Costruzione della funzione di utilit: la CME (Certezza Monetaria Equivalente)

1
Costruzione della funzione di utilit: la CME (Certezza Monetaria

Equivalente)
retta del valore atteso

EVi=piXE+(1-pi)XD
pi
La CME anche la minima somma a cui il DM disposto a cedere il

diritto a partecipare alla lotteria S(pi)
Esempio: lotteria con premi A e B
premio di rischio (risk

premium) > 0 in
presenza di
avversione al rischio
funzione
di utilit
XD
CMEi
Vj
500
Uj
1-p
Ai
XE
La CME il massimo valore che il DM disposto a pagare per una lotteria con
probabilit pi, ossia con EV pari ad Ai
Se p=0,5 EV=500p+2(1-p)=251
Lutilit della CME uguale alla utilit della lotteria
CME=21
U(CMEi) = piU(XE) + (1-pi)U(XD)
0,5
2 21
251
500
21
22
Costruzione della funzione di utilit: Lavversione al rischio

Scelta della struttura della funzione di utilit
La curva di utilit indica lavversione o propensione al rischio del DM
Propriet locali di U(x)

DM avverso al rischio
DM propenso al rischio
(concava)
(convessa)
Per studiare le propriet locali della funzione utilit si suppone di avere un

capitale x e di partecipare ad una lotteria il cui risultato il valore stocastico D
definito dai possibili premi d d i d, ognuno con probabilit pi e dove d
un valore infinitesimo. Sia EV=E{D} = 0, mentre ovviamente sia var{D} > 0.
La certezza monetaria equivalente di questa situazione CME(x+D) vicino a x
(coinciderebbe con x, se d=0) e dipende da var{D}. In ipotesi di avversione al
rischio, CME(x+D) diminuisce allaumentare di var{D}.
Landamento della curva per un DM pu variare nel tempo

La curva non decrescente (lutilit cresce con il ritorno)
Com la curva nel caso di indifferenza al rischio?
23
24
Calcolo di CME(x+D)
U(CME(x +D)) = iU(x+di)pi
i (U(x)+ U(x) di + U(x) di2) pi =
= U(x)ipi + U(x)i di pi+ U(x)
2
i di pi =
Propriet globali di U(x)
U(x) + U(x) var{D}
Dalla soluzione dellequazione differenziale
da cui
U(x) +r(x)U(x) = 0
CME(x +D)
U-1(U(x)
+ U(x) var{D})
U(xmin) = 0
x + (U(x) var{D}) / U(x) = x - r(x) var{D}
U(xmax) = 100
Nella prima equazione si sono approssimati in valori di U(.) con il suo sviluppo in serie
di Taylor fino al secondo grado in quanto la somma delle componenti di primo grado
uguale a 0.
si ottiene la funzione di utilit U(x) desiderata.

Al variare di r(x) si ottengono funzioni di utilit diverse.
Nella seconda equazione si sono approssimati in valori di U-1 (.) con il suo sviluppo in
serie di Taylor, tenendo presente che la derivata di una funzione inversa uguale
allinverso della derivata della funzione diretta.
La funzione r(x) detta Pratt-Arrow measure of [absolute] risk aversion. Se il DM
avverso al rischio r(x) 0, in quanto U(x) 0 e U(x) 0.
25
26
r(x) = r = costante
r(x) decrescente in x
U(x) = a - b e-rx
ragionevole ritenere che il DM abbia la stessa r per lotterie diverse se queste
coinvolgono valori paragonabili.
r(x) costante implica che lavversione al rischio del DM non dipende dalla disponibilit del
capitale, ma solo dalla variabilit dei possibili risultati della lotteria. Equivalentemente:
Il DM decide se partecipare a una lotteria solo in base alle probabilit dei vari premi e ai loro
valori relativi. Il DM ritiene che i CME di due lotterie, i cui premi corrispondenti hanno le
stesse probabilit e hanno valori che differiscono per una costante Q, a loro volta differiscono
per la stessa costante Q.
Esempio, se il DM ritiene che vale la pena partecipare ad una lotteria con costo 1000 dove vi
il 50% di probabilit di ricavare 500 e il 50% di probabilit di ricavare 2000, allo stesso
modo riterr che vale la pena partecipare ad una lotteria con costo 10000 dove vi il 50% di
probabilit di ricavare 9500 e il 50% di probabilit di ricavare 11000.
r(x) = 1/(x + c) U(x) = a + b log(x + c)

r(x) = (1 - )/(x + c) con 0 < < 1 U(x) = a + b(1/)(x+c)
r(x) decrescente in x implica che lavversione al rischio del DM diminuisce con la maggiore
disponibilit del capitale. Equivalentemente
Il DM diventa meno sensibile a possibili variazioni del proprio capitale finale. Il DM tanto
meno disponibile a pagare un premio di rischio per evitare tali variazioni tanto pi piccole
sono le variazioni rispetto al capitale.
Esempio, il DM potrebbe ritenere che non vale la pena partecipare ad una lotteria con costo
1000 dove vi il 50% di probabilit di ricavare 500 e il 50% di probabilit di ricavare 2000,
ma che valga la pena partecipare ad una lotteria con costo 10000 dove vi il 50% di
probabilit di ricavare 9500 e il 50% di probabilit di ricavare 11000.
Si noti che non vale lo stesso ragionamento per valori in proporzione, e.g., costo 10000, premi
5000 e 20000.
27
28
Esempio di stima empirica della curva di utilit

Il management della ACME, che si vuole mantenere coerente con le decisioni
A, B, C e D, prese nel passato, deve decidere se accettare linvestimento E.
Investimento
richiesto
Ricavo atteso
in caso di
successo
Probabilit a
priori di
successo
Investimento
effettuato o
rifiutato
100
200
60%
effettuato
150
250
70%
rifiutato
120
300
85%
effettuato
40
70
60%
rifiutato
90
150
75%
da decidere
Nellipotesi che il denaro se non investito produca guadagno nullo si pu

affermare che
Valore
monetario
Stima
U(0)
Correttezza
stima
Valore con
utilit 0
Valore con
utilit 100
60%
sovrastima
-100
100
70%
sottostima
-150
100
85%
sovrastima
-120
180
60%
sottostima
-40
30
Se il denaro potesse essere investito anche in altro modo nella colonna

valore monetario si dovrebbe inserire il guadagno prodotto
dallinvestimento alternativo
29
30
Nellipotesi ragionevole che si possa usare una r(x) = r per tutti gli investimenti deve
valere che
Investimento C: U(0) 0.60U(180) + 0.40 U(-120)

e-0r 0.85 e-180r+ 0.15 e120r
Investimento A: U(0) 0.60U(100) + 0.40 U(-100)

a-b
e-0r
0.60(a - b
e-100r)
e-0r 0.60 e-100r+ 0.40 e100r
+ 0.40(a - b
0 r 0.0153
Investimento D: U(0) 0.60U(40) + 0.40 U(-30)
e100r)
e-0r 0.70 e-40r+ 0.30 e30r
(*)
risolvendo numericamente la disequazione (*) si ottiene che per ogni 0 r 0.0040,

dove 0.0040 il valore massimo di r per cui la (*) vera, lutilit di 0 minore
dellutilit della lotteria corrispondente e che quindi linvestimento A viene eseguito.
Investimento B: U(0) 0.70U(100) + 0.30 U(-150)
e-0r 0.70 e-100r+ 0.30 e150r
r 0.0033
Dai risultati ottenuti per i diversi investimenti si deduce che 0.0035 r 0.0040
Investimento E: si calcola U(0)= 0.75U(60) + 0.25 U(-90) per r0, ottenendo r=0,0090
da cui si deduce che per 0.0035 r 0.0040 si ha U(0) 0.75U(60) + 0.25 U(-90).
(**)
risolvendo numericamente la disequazione (**) si ottiene che per ogni r 0.0035, dove
La scelta di effettuare linvestimento E sarebbe quindi coerente con le decisioni

passate.
0.0035 il valore minimo di r per cui la (**) vera, lutilit di 0 maggiore dellutilit
della lotteria corrispondente e che quindi linvestimento B non viene eseguito
31
32

Esempio di stima empirica della curva di utilit
Alberi decisionali
Formalizzano le decisioni in condizioni di rischio in base al criterio del
valore (utilit) attesa (Ipotesi: i payoff esprimono lutilit del DM)
Mettono in evidenza le conseguenze delle decisioni
Utili per studiare processi decisionali a stadi (sequenza di decisioni)
Si stimi il valore di r per una funzione di utilit U(x) = a - b e-rx sapendo

che il DM ritiene la CME di una lotteria i cui premi sono distribuiti
normalmente con media e deviazione standard .
Deve valere
1
=
2
( x )2
2 2
Elementi:
e rx dx
nodi di decisione: scelta tra alternative
nodi evento: si verifica uno tra pi stati della natura

da cui
e r = e
r + r
2 2
2
1
2
2 2
+ ( x ( r ))
2 2
dx r =
nodi terminali: foglie dellalbero con associati i valori di guadagno

(utilit) determinato dalla catena di decisioni ed eventi
2( )
33

Alberi decisionali
Alberi decisionali
Esempio
Esempi
eventi
A1
conseguenze
p1
se Acme attende la concorrenza potrebbe precederla annunciando il

proprio prodotto rubandole fette di mercato
...
Am
la ditta Acme vuole introdurre un nuovo prodotto non completamente

testato sul mercato
il prodotto se introdotto troppo in anticipo potrebbe non soddisfare i
clienti perch presenta ancora difetti
cm1
...
punto di
decisione
34
la decisione si sviluppa su T=3 periodi (e.g., mesi)
pn
sono stati stimanti per t=1,...,T:

rt profitto se Acme immette il prodotto prima della concorrenza
gt profitto se Acme immette il prodotto insieme alla concorrenza
alternative
ht profitto se Acme immette il prodotto dopo la concorrenza

supponiamo che rt > gt > ht (anche se per t=1 potrebbe non valere)
35
36
Alberi decisionali
Alberi decisionali
Esempio
Esempio
pt la probabilit (soggettiva stimata) che la concorrenza annunci il

prodotto sul mercato nel periodo t
Si calcola il EV e lo si associa ad ogni nodo evento

Si calcola il massimo EV tra i nodi evento e lo si associa al nodo
decisione
Acme ha deciso di immettere il prodotto comunque se la concorrenza

annuncia il proprio
annuncio
annuncio
p1
EVimm
g1
imm.
immissione
1-p1
f1
r1
p1
g1
1-p1
r1
EVimm=p1g1+(1-p1)r1
EVnon imm=p1h1
non annuncio
non annuncio
non
immissione
p1
h1
1-p1
p1
h1
EVnon imm 1-p1
non
imm.
f1=max [EVimm, EVnon imm]
37
Alberi decisionali
Alberi decisionali
Esempio: T=3 periodi e per t=3 si stima che la concorrenza annuncer
Esempio
certamente
annuncio
EVimm
imm.
f1
p1
g1
1-p1
r1
Si procede a ritroso dallo stadio 3 (backward come per la P.D.)

p3
non annuncio
non
imm.
p1
p2
g2
1-p2
r2
imm.
g3
EVi3 = p3 g3
EVni3 =p3 h3
h1
imm.
EVnon imm 1-p1
p2
f2
38
non
imm.
f3
p3
h2
non imm.
h3
p3 = 1
f3= max [EVi3, EVni3 ]= g3

p3
f3
p3
g3
imm.
1-p2
non
imm.
h3
39
40
Alberi decisionali
Alberi decisionali
Esempio
Esempio
Per t=2
Per t=1
p2
imm.
f2
non
imm.
g2
1-p2
r2
p2
h2
EVi2 = p2 g2 + (1- p2 )r2

EVni
imm.
= p2 h2 + (1- p2 )f3 = p2 h2 + (1- p2 )g3
f1
non
imm.
g1
1-p1
r1
p1
h1
EVi1 = p1 g1 + (1- p1 )r1

EVni2 = p1 h1 + (1- p1 )f2
f1= max [EVi1, EVni1 ]

1-p1
f2= max [EVi2, EVni2 ]
1-p2
p1
f2
f3
41
Alberi decisionali
Il valore atteso della perdita di opportunit (Expected Opportunity Loss, EOL)
Esempio: caso numerico

1 90 (imm .)
f 3 = max
1 80 ( non imm .)
42
Considera la perdita rispetto il massimo guadagno possibile

h1=40
g1=50
r1=60
p1=0,2
h2=75
g2=80
r2=100
p2=0,4
h3=80
g3=90
Lij = Vjmax Vij
p3=1
dove
Vjmax = maxi Vij
EOLi = p(S j )Lij
0,4 80 + 0,6 100 = 92 (imm.)

f 2 = max
0,4 75 + 0,6 90 = 84 (non imm.)
j =1
EOL* = min EOLi

i
0,2 50 + 0,8 60 = 58 (imm.)

f1 = max
0,2 40 + 0,8 92 = 81,6 (non imm.)
43
44

Esempio

Due osservazioni:
Vij
ann.
non ann.
Lij
ann.
non ann.
p=0,4
1-p=0,6
p=0,4
1-p=0,6
imm.
g1=50
r1=60
imm.
non imm.
h1=40
non imm.
10
60
EV* = max [0,4 50+0,6 60;

0,4 40]
Il criterio del massimo EV e del minimo EOL forniscono sempre la

medesima soluzione
Nellesempio il problema decisionale era di semplice soluzione perch
lalternativa immettere era dominante!
Nella DA le alternative dominate possono essere escluse
EOL*
= min [0; 0,4 10+0,6 60]

Definizione
= 0 (imm.)
Ai dominata se esiste una Ak, ki, tale che Vij V kj j e vale Vij<Vkj per
= 56 (imm.)
almeno un j
45
46

Esempio: la scelta se prendere o meno lombrello
piove (p=0,4)
Il valore atteso della informazione perfetta (Expected Value of Perfect

Information, EVPI)
ombrello
Linformazione perfetta quella che permetta al DM di scegliere

lalternativa pi conveniente in funzione dello stato di natura che si
verifica
EV=0,8
non
ombrello
Normalmente una decisione viene presa a priori, i.e., prima che accadano
gli eventi che influenzeranno le conclusioni
Decisione senza informazione perfetta
-2
non piove
(p= 0,6)
piove
-10
non piove
non ombrello
-10
piove (p=0,4)
EVPI =6,2
Essendo disponibile linformazione perfetta come se la decisione venisse

presa a posteriori, i.e., a valle delloccorrenza degli eventi casuali.
ombrello
Decisione con informazione perfetta
ombrello
non piove
(p= 0,6)
non ombrello
-2
7
Per stabilire il valore dellinformazione perfetta necessario stabilire a

priori tutti gli eventi mutuamente esclusivi che si possono realizzare in
natura e che influenzerebbero la decisione. In questo caso piove/non piove.
47
48

Information, EVPI)

Information, EVPI)
Sfruttando linformazione perfetta ottengo il massimo guadagno (utilit)

possibile
Il valore atteso con linformazione perfetta (EVPI, Expected Value with
Perfect Information) rispetto agli stati di natura Sj risulta essere:
EV
PI
Quanto sar disposta a pagare lAcme una spia industriale che le vendesse
linformazione su ci che far la concorrenza?
90
f 3 = 1 max
80
j =1
p ( S j )V
max
j
80
100
f 2 = 0 , 4 max + 0 , 6 max
= 92
75
90
50
60
f 1 = 0 , 2 max
+ 0 , 8 max
= 83 , 6
40
92
Quanto vale linformazione perfetta (quanto al massimo sarei disposto a

pagarla)?
EVPI = EV PI EV
EVPI = EV PI EV = 83 , 6 81 , 6 = 2
Nellesempio EVPI = 6,2 - 0,8 = 5,4

49
50
Your company is considering whether it should tender for two contracts (MS1 and MS2) on offer from a government
department for the supply of certain components. The company has three options:
tender for MS1 only; or
tender for MS2 only; or
tender for both MS1 and MS2.
If tenders are to be submitted the company will incur additional costs. These costs will have to be entirely recouped from the
contract price. The risk, of course, is that if a tender is unsuccessful the company will have made a loss.
The cost of tendering for contract MS1 only is 50,000. The component supply cost if the tender is successful would be
18,000.
The cost of tendering for contract MS2 only is 14,000. The component supply cost if the tender is successful would be
12,000.
The cost of tendering for both contract MS1 and contract MS2 is 55,000. The component supply cost if the tender is successful
would be 24,000.
For each contract, possible tender prices have been determined. In addition, subjective assessments have been made of the
probability of getting the contract with a particular tender price as shown below. Note here that the company can only submit
one tender and cannot, for example, submit two tenders (at different prices) for the same contract.
Option Possible Probability tender of getting prices ()
Contract MS1 only
130,000
0.20
115,000
0.85
MS2 only
70,000
0.15
65,000
0.80
60,000
0.95
MS1 and MS2
190,000
0.05
140,000
0.65
In the event that the company tenders for both MS1 and MS2 it will either win both contracts (at the price shown above) or no
contract at all.
Esempio:
Si consideri il problema proposto dal prof. Beasley in
http://mscmga.ms.ic.ac.uk/jeb/or/decmore.html e riportato nel lucido
seguente. In particolare:
Si determini la decisione ottima in base allEV.
Si determini inoltre la decisione ottima in presenza di informazione
perfetta e quindi si calcoli il valore EVPI.
51
52

EV = -27,60
TP = 130
0,20
62
0,80
-50
EV = 32,45
MS1
Determinazione
decisione ottima sulla
base di probabilit
soggettive.
0,85
47
TP = 115
EV = 32,45
0,15
-50
EV = -5,30
0,15
44
0,85
EV = 28,40
0,80
TP = 65
-14
0,20
-14
TP = Tender Price
0,95
34
0,05
-14
EV = Expected
Monetary Value
0,05
111
0,95
-55
0,65
61
0,35
-55
TP = 70
EV = 32,45
EV = 31,60
MS2
TP = 60
EV = 31,60
MS1 & 2
EV = -46,70
TP = 190
EV = 20,40
TP = 140
EV = 20,40
Passi da eseguire per il calcolo a ritroso dellEVPI:

Si calcolano gli EVPI associati alle decisioni di secondo livello (le offerte da
proporre avendo scelto di partecipare ad un tender specifico)
Al primo livello si sceglie il massimo degli EVPI di secondo livello.
39
53
54
Passi da eseguire per il calcolo di EVPI seconda decisione avendo scelto di

partecipare al tender MS1:
Definizione della matrice di payoff:
alternative: prezzi dei tender
TP = 130,
TP = 115,
TP = 0;
stati della natura (eventi mutuamente esclusivi che influenzano le conclusioni
della decisione): disponibilit del cliente ad accettare un TP, i.e.,
disponibilit ad accettare un TP=130,
disponibilit ad accettare un TP=115, ma non un TP=130,
disponibilit ad accettare solo TP <115.
Ovviamente se il cliente disposto ad accettare un dato TP si pu offrire tale
TP o un TP di valore minore con la certezza di vincere il tender.
Matrice dei payoff
cliente accetta
TP=130 o
minore
cliente accetta
TP=115 o
minore, ma non
TP=130
cliente accetta
solo TP<115,
ma non
TP=115
TP = 130
62
-50
-50
TP = 115
47
47
-50
TP = 0*
-50
-50
-50
Lalternativa TP=0 dominata e quindi non verr pi considerata (n

riportata nellalbero decisionale).
In rosso le scelte ottime in caso di informazione perfetta disponibile.
55
56

Calcolo delle probabilit di realizzazione di uno degli stati della
natura (continuazione)
Calcolo delle probabilit di realizzazione di uno degli stati della

natura (eventi futuri):
Il cliente accetta TP=130 (o minore) con probabilit p130=0,20,
infatti la probabilit a priori di vincere il tender offrendo un
TP=130 appare, dai dati del problema, essere uguale a 0,20
Il cliente accetta solo TP<115, ma non TP=115 o maggiori con
probabilit p0=0,15, infatti la probabilit a priori di perdere il
tender offrendo un TP=115 appare essere uguale a 0,15
Il cliente accetta TP=115 o minore, ma non TP=130, con
probabilit p115=0,65. Dai dati del problema si evince infatti che
la probabilit a priori di vincere il tender offrendo un TP=115
appare essere uguale a 0,80. In tale situazione per si deve anche
comprendere il caso in cui il cliente avrebbe accettato un
TP=130, che per non gli stato proposto. La probabilit
quindi ottenuta come segue p115= 0,80 0,20
probabilit che il
cliente rifiuti un
TP=130, ma
accetti un TP=115
funzione di distribuzione
della probabilit che il
cliente accetti unofferta
di valore x
probabilit che il cliente

accetti un TP=130
probabilit che il
cliente rifiuti un
TP=115
0,15
0,65
115
0,20
130
valore offerta
NB: larea sottesa dalla curva tra 115 e infinito (uguale a 0,85) indica la probabilit che il cliente accetti un TP=115
57
58
Seconda decisione, avendo scelto di partecipare al tender MS1, in

assenza di informazione perfetta.
EV = -27,60
TP = 130
EV = 32,45
MS1
TP = 115
EV = 32,45
0,20
62
0,80
-50
0,85
47
0,15
-50
Analisi a ritroso del nuovo albero:

Se fosse noto che il cliente disposto ad accettare un TP=130
certamente si proporrebbe tale valore per il TP
Se fosse noto che il cliente disposto ad accettare un TP=115,
ma non un TP=130, certamente si proporrebbe il TP=115
Se fosse noto che il cliente non disposto ad accettare nemmeno
un TP=115 si perderebbero in ogni caso le 50K gi investite
Seconda decisione, avendo scelto di partecipare al tender MS1, in

presenza di informazione perfetta.
62
TP = 130
TP = 115
0,20
EVpi = 35,45
0,65
MS1
0,15
47
TP = 130
-50
TP = 115
TP = 130
47
TP = 115
-50
-50
59
60
Calcolo del valore dellinformazione perfetta:

quando si calcola il valore dellinformazione perfetta, non si conosce ancora
il contenuto dellinformazione (ovvero quale stato di natura si realizzer),
per si suppone che al momento della decisione tale informazione sar
disponibile e che quindi sar scelta lalternativa migliore.
Nellesempio si osserva che:
Con p130=0,20, al momento della decisione, sar noto che il cliente sar
disponibile ad accettare un TP=130 e quindi si offrir un TP=130
Con p115=0,65, al momento della decisione, sar noto che il cliente sar
disponibile ad accettare un TP=115, ma non un TP=130, e quindi si
offrir un TP=115
Con p0=0,15, al momento della decisione, sar noto che il cliente non
sar disponibile ad accettare nemmeno un TP=115, e Con p130=0,65, al
momento della decisione, sar noto che il cliente sar disponibile ad
accettare un TP=115, ma non un TP=130, e quindi si offrir un TP=115
sapendo che si perder comunque il tender
Successive riduzioni dellalbero ottenuto con linformazione perfetta,

supposto che la prima decisione sia di partecipare al tender MS1.
62
0,20
0,65
47
MS1
0,15
-50
35,45
MS1
61

62
TP = 130
47
TP = 115
-50
TP = 115
44
TP = 70
0,65
39
TP = 65
0,15
34
TP = 60
-14
TP = 60
111
TP = 190
61
TP = 140
-55
TP = 140
0,20
0,65
EVpi = 35,45
0,15
MS1
EV = 36,35
EVpi = 36,35
0,15
MS2
0,05
MS1 & 2
0,05
0,60
EVpi = 22,90
62
Albero decisionale che

si ottiene applicando i
ragionamenti precedenti
ai vari tender, avendo
gi scelto la seconda
decisione ottima una
volta nota
linformazione perfetta.
Fino a questo momento si supposto di potere accedere allinformazione

perfetta solo dopo avere preso la decisione. Ci si rivolti al consulente solo
per decidere lofferta da compiere.
Si pu invece supporre di accedere allinformazione perfetta anche prima di
prendere la prima decisione. Ci si rivolge al consulente per decidere il
tender a cui partecipare e lofferta da compiere.
Si devono analizzare tutti gli stati di natura mutualmente esclusivi che si
possono realizzare e stabilire per ognuno di essi la decisione ottima da
compiere e la probabilit che si realizzi.
0,35
63
64

Stati di natura che si possono realizzare (decisioni conseguenti).
Il cliente (la natura) pu essere disponibile a:
1. accettare offerta 130 per MS1, accettare offerta 70 per MS2, accettare offerta 190 per
MS1&2 (si sceglie quindi di partecipare al tender MS1&2 con offerta 190 profitto 111)
2. accettare offerta 130 per MS1, accettare offerta 70 per MS2, accettare offerta 140 ma
non 190 per MS1&2 (si sceglie quindi di partecipare al tender MS1 con offerta 130
profitto 62)
3. accettare offerta 130 per MS1, accettare offerta 70 per MS2, non accettare nemmeno
offerta 140 per MS1&2 (si sceglie quindi di partecipare al tender MS1 con offerta 130
profitto 62)
4. accettare offerta 130 per MS1, accettare offerta 65 ma non 70 per MS2, accettare
offerta 190 per MS1&2 (si sceglie quindi di partecipare al tender MS1 con offerta 130
profitto 62)
5. .........
.... .......
36. non accettare nemmeno offerta 115 per MS1, non accettare nemmeno offerta 65 per
MS2, non accettare nemmeno offerta 140 per MS1&2 (si sceglie quindi di non
partecipare ad alcun tender con profitto 0)
Non sempre possibile calcolare probabilit dei diversi stati di natura

realizzabili sulla base delle informazioni inizialmente disponibili a meno di
non fare ipotesi che a volte possono risultare discutibili.
Si considerino ad esempio il seguenti stati:
disponibilit del cliente ad accettare offerta 130 per MS1, accettare
offerta 70 per MS2, accettare offerta 190 per MS1&2.
Se si ritengono le decisioni del cliente indipendenti tra loro, la
probabilit dello stato p1= 0.20 0.15 0.05 = 0.0015
disponibilit del cliente ad accettare offerta 130 per MS1, accettare
offerta 70 per MS2, accettare offerta 140 ma non 190 per MS1&2.
Se si ritengono le decisioni del cliente indipendenti tra loro, la
probabilit dello stato p2= 0.20 0.15 0.60 = 0.018.
In questo caso questo lipotesi di indipendenza delle decisioni
discutibile in quanto strano che il cliente sia disposto a pagare 200 per
i due tender separati, ma non a pagare 190 per il tender MS1&2.
65
66

Le probabilit dei diversi stati dovrebbero essere valutate caso per caso in base
alle informazioni sulla natura (ad esempio si pu supporre che il cliente sia
razionale).
In particolare la probabilit di uno stato di natura caratterizzato dalla
realizzazione di tre eventi, e.g., A, B e C, dovrebbe essere calcolato in base alle
probabilit condizionate, come ad esempio
P(ABC) = P(C)P(B|C)P(A|BC),
non in base alla formula P(ABC) = P(C)P(B)P(A).
In dati disponibili e le ipotesi sulla razionalit del cliente per non sono
sempre sufficienti a determinare, nemmeno utilizzando Bayes, le probabilit
condizionate richieste.
Il valore atteso della informazione campionaria (Expected Value of Sample

Information, EVSI)
Linformazione perfetta non disponibile
Se EVPI non trascurabile si pu valutare lopportunit di acquisire
informazione su quali alternative scegliere
Indagine di mercato (I): IEi = lindagine ha esito Ei
Si valuta (sulla base di analoghe indagini passate) la probabilit che
linformazione acquisita suggerisca una alternativa quando si verifica uno
certo stato
Supposto di essere riusciti a calcolare le probabilit dei diversi stati e il valore

della decisione ottima in ognuno degli stati si pu poi calcolare il valore EVpi e
quindi EVPI.
p(IEi | Sj)
67
68

piove (p=0,4)
Il valore atteso della informazione campionaria (continua)
ombrello
Normalmente una decisione viene presa a priori, i.e., prima che accadano
gli eventi che influenzeranno le conclusioni
EV=0,8
non
ombrello
Con linformazione campionaria la decisione avviene a valle di

unindagine campionaria, dai cui risultati (casuali) si possono prevedere
con maggiore precisione gli eventi (stati di natura) che accadranno.
-2
non piove
(p= 0,6)
piove
-10
non piove
Decisione senza
informazione
campionaria
piove
previsioni
pioggia
non
ombrello
EVSI
Decisione con
informazione
campionaria
ombrello
previsioni
no pioggia
non piove
-2
piove
-10
non piove
piove
ombrello
non
ombrello
non piove
-2
piove
-10
non piove
69
70

Probabilit a priori degli stati di natura P(Sj):
P(piove) = 0.4
P(non piove) = 0.6
Le probabilit a priori P(Sj) possono, e.g., essere dedotte dal rapporto tra il numero
di giornate piovose e il numero delle giornate totali del mese che si sono verificate
nello stesso periodo di osservazione negli anni precedenti
Probabilit condizionate P(IEi| Sj):
P(previsione pioggia|piove) = 0.9
P(previsione pioggia|non piove) = 0.2
P(previsione no pioggia|piove) = 0.1
P(previsione no pioggia|non piove) = 0.8
Le probabilit condizionate P(IEi| Sj) possono anche esse dedursi facilmente, e.g.,
verificando quante volte nel passato le previsioni (esiti indagine) erano state corrette
Le difficolt nella valutazione del EVSI consistono nel determinare:

Le probabilit a priori P(IEi) che si verifichi un determinato esito IEi
dallindagine campionaria
Le probabilit condizionate P(Sj|IEi) che accada levento Sj, i.e., che si
realizzi lo stato Sj, dato che lindagine campionaria ha dato esito IEi, i.e.,
P(Sj|IEi) sono le probabilit degli stati della natura condizionate agli esiti
dellindagine (a posteriori)
Dai dati storici per facile dedurre le probabilit a priori degli stati di
natura P(Sj) e le probabilit a posteriori P(IEi| Sj) del realizzarsi di un esito
IEi dato che si verifica lo stato Sj
Dallapplicazione del teorema di Bayes poi possibile dedurre le
probabilit desiderate
71
72

piove, 0.75
Applicando Bayes si ottiene:

Probabilit a priori degli esiti dellindagine P(IEi) = j P(IEi| Sj) P(Sj):
ombrello
non piove, 0.25
EVSI=3.25
P(previsione pioggia) = 0.9 0.4 + 0.2 0.6 = 0,48

P(previsione no pioggia) = 0.1 0.4 + 0.8 0.6 = 0,52
non
ombrello
previsioni
pioggia, 0.48
Probabilit condizionate P(Sj|IEi) = P(IEi| Sj) P(Sj)/P(IEi)

P(piove| previsione pioggia) = 0.9 0.4 / 0.48 = 0.75
P(piove| previsione no pioggia) = 0.1 0.4 / 0.52 = 0.08
P(non piove| previsione pioggia) = 0.2 0.6 / 0.48 = 0.25
P(non piove| previsione no pioggia) = 0.8 0.6 / 0.52 = 0.92
EVSI=4.52
previsioni no
pioggia, 0.52
-2
0.75
-10
0.25
0.08
0.92
-2
0.08
-10
0.92
EVSI = 4.52 0.80 = 3.72

SIE = EVSI/EVPI = 0.69
ombrello
EVSI=5.69
non
ombrello
73
74
Information, EVSI) Riassunto formale
Information, EVSI)
Si devono valutare
p(IEi) le prob. a priori degli esiti dellindagine
EVSI (valore monetario atteso con informazione campionaria) si valuta

aggiornando le probabilit a priori degli stati della natura in base agli esiti
p(Sj | IEh) le prob. degli stati condizionate agli esiti dellindagine (a
dellindagine IEi
m
EVSI = p( IEi ) EVSIi

i =1
posteriori)
n
EV SI i = p ( S j IE i ) Vij
Probabilit Totale
j =1
p ( IEi ) = p ( IEi S j ) p ( S j )
i =1
Teorema di Bayes
dove EVSIi il valore atteso della migliore decisione che si pu prendere a
p ( S j IE i ) =
valle dellesito IEi e Vij il valore della migliore decisione che si pu

prendere a valle dellesito IEi e della realizzazione dello stato Sj
p ( IE i S j ) p ( S j )
p ( IE i )
75
76
Information, EVSI)
Si ottiene
Information, EVSI)
n
EV SI = p ( IE i ) p ( S j IE i ) Vij
i =1
j =1
Il valore atteso dellinformazione campionaria

EVSI = EVSI - EV
m
n p ( IE i S j ) p ( S j ) Vij
= p ( IE i )
=
p ( IE i )
i =1
j =1
Efficienza dellinformazione campionaria (Sample Information Efficiency,

SIE)
= p ( IE i S j ) p ( S j ) Vij
SIE = EVSI/EVPI
i =1 j =1
0 SIE 1
77
Un esercizio
78
Un esercizio
Valutare 4 tipi di innovazione tecnologica di un prodotto a fronte di 3

possibili scenari futuri della domanda, le cui probabilit a priori sono
Valutare lopportunit di eseguire o meno un test sul possibile scenario di

mercato avendo informazioni storiche sulla probabilit degli esiti del test
dati gli stati della natura
pbassa = 0,1 pmedia = 0,5 palta = 0,4.

Guadagni (utilit)
Decisioni\Domanda
Bassa
Media
Alta
200
350
600
250
350
540
Test Mercato\Domanda
Bassa
Media
Alta
300
375
490
Favorevole
0.2
0.4
0.7
300
350
470
Invariato
0.2
0.3
0.2
Sfavorevole
0.6
0.3
0.1
p(Th/Sj)
79
80
D.A. Decisioni in condizioni di incertezza

Criterio MAXIMIN
Atteggiamento pessimista del DM: massimizza il payoff nel caso pi
sfavorevole
Non sono disponibili le informazioni sulla probabilit degli stati futuri della
natura
f(v) = maxi minj Vij
Criteri decisionali f(V):

MAXIMIN
Problemi:
MAXIMAX
Scarso uso dellinformazione disponibile
Hurwicz
Miopia (incapacit di valutare un compromesso)
Laplace (equiprobabilit)
81
82

Criterio di Hurwicz
Criterio MAXIMAX
Un compromesso tra MAXIMIN e MAXIMAX espresso da un parametro

(MAXIMAX) 0 1 (MAXIMIN)
Atteggiamento ottimista del DM: massimizza il payoff nel caso pi

favorevole
f(v) = maxi maxj Vij
f(v) = maxi ( minj Vij + (1- ) maxj Vij)
Problemi:
Gli stessi del MAXIMIN
83
84
Criterio di Laplace (equiprobabilit)
Esempio
Si considerano equiprobabili gli stati della natura e si sceglie secondo il

massimo valore atteso
Il problema della selezione della tecnologia

Guadagni (utilit)
si pone
p(Sj) = 1/n j
Decisioni\Domanda
Bassa
Media
Alta
200
350
600
si sceglie
f(V) = maxi j p(Sj)Vij
250
350
540
300
375
490
300
350
470
D dominata da C !!!
85
86
Analisi di sensitivit Break Even Point
Esempio
Il problema della selezione della tecnologia (si scelga, ad esempio, = 0.4
per algoritmo di Hurwicz)
Nel caso di 2 eventi si pu analizzare landamento della decisione in

funzione della probabilit
Ad esempio
Guadagni (utilit)
Dec.\Dom.
Bassa
Media
Alta
MAXIMIN
MAXIMAX
=0.4
200
350
600
200
600
440
383
250
350
540
250
540
424
380
300
375
490
300
490
414
388
Stati della Natura
Equip
Decisioni
S1 (p)
S2 (1-p)
A1
V11
V12
A2
V21
V22
A3
V31
V32
A4
V41
V42
EV(Ai) = pVi1 + (1-p)Vi2

87
88

Analisi di sensitivit Break Even Point
Graficamente
EV(Ai) = pVi1 + (1-p)Vi2
V22
V12
Break Even
Point
A2
A1
A4
Obiettivi Multipli
V41
V11
V21
V42
V31
V32
p
0
89
90
Obiettivi Multipli
Esempio di riferimento
I problemi reali, soprattutto in presenza di pi decisori, presentano spesso

criteri di valutazione delle soluzioni (obiettivi) multipli;
Si consideri il seguente problema di programmazione lineare con due obiettivi
spesso tali criteri sono discordi non quindi possibile agire in modo che
possano essere tutti soddisfatti al meglio;
max z = 5x1 + 6x2 +3x3

max w = 10x2
2x1 + 4x2 + x3 15
3x1 + 2x2 + 2x3 23
x1 + 3x2 + x3 18
xi 0
diversi approcci sono possibili per superare tale difficolt:

combinazione pesata degli obiettivi,
approccio lessicografico (o disgiuntivo)
approccio congiuntivo,
approccio della marca ideale.
la soluzione determinata dovr comunque essere Pareto ottima.
91
92
Esempio di riferimento
Combinazione pesata degli obiettivi
Se si ottimizzano separatamente i due obiettivi con il simplesso si ottiene

max z = 5x1 + 6x2 +3x3
2x1 + 4x2 + x3 15
z* = 38
w= 0
3x1 + 2x2 + 2x3 23
x1 + 3x2 + x3 18
xi 0
Per ottenere ununica soluzione si pu usare la combinazione pesata degli

obiettivi quando possibile quantificare (ad esempio monetizzando)
limportanza relativa dei diversi obiettivi.
E.g., si supponga che ottimizzare lobiettivo z sia due volte pi importante
che ottimizzare w. Si giunge a
max w = 10x2
2x1 + 4x2 + x3 15
3x1 + 2x2 + 2x3 23
z= 22,5
w* = 37,5
x1 + 3x2 + x3 18
xi 0
alle due soluzioni corrispondono ovviamente diversi valori delle xi e quindi
non pu essere presa una decisione che soddisfi entrambe gli obiettivi, bisogna
giungere ad un compromesso e scegliere uno dei punti della frontiera di
Pareto.
max 2(5x1 + 6x2 +3x3) + 1(10x2)

2x1 + 4x2 + x3 15
3x1 + 2x2 + 2x3 23
x1 + 3x2 + x3 18
xi 0
z* = 38
w= 11,66
In questo caso z non diminuito rispetto allottimo, ma in generale ci

potrebbe avvenire.
93
94
Approccio congiuntivo
Approccio lessicografico
Per ottenere ununica soluzione si pu usare lapproccio congiuntivo quando

possibile stabilire una soglia minima di soddisfacimento che deve essere
rispettata da tutti gli obiettivi.
In pratica tutti gli obiettivi vengono trasformati in vincoli.
E.g., si supponga che sia z che w debbano valere almeno 25. Si pu poi
ottimizzare rispetto ad uno qualunque o ad una combinazione degli obiettivi,
giungendo, e.g., a
Per ottenere ununica soluzione si pu usare lapproccio lessicografico

quando possibile stabilire una precisa gerarchia di dominanze tra gli
obiettivi.
E.g., si supponga che ottimizzare lobiettivo z sia pi importante che
ottimizzare w, se per ci sono soluzioni equivalenti si scelgono quelle che
ottimizzano w.
Si ottimizza quindi prima rispetto a z e si ottiene z* = 38, quindi si impone
che tale condizione sia rispettata e si ottimizza rispetto a w, giungendo a
max 10x2
2x1 + 4x2 + x3 15
3x1 + 2x2 + 2x3 23
x1 + 3x2 + x3 18
5x1 + 6x2 +3x3 = 38
xi 0
z* = 38
max 5x1 + 6x2 +3x3

2x1 + 4x2 + x3 15
3x1 + 2x2 + 2x3 23
z = 30
w= 25
x1 + 3x2 + x3 18
5x1 + 6x2 +3x3 25
10 x2 25
xi 0
In questo caso obiettivi sono diventati vincoli, col rilassamento lagrangiano
vincoli diventano obiettivi.
w= 11,66
95
96
Approccio della marca ideale
Obiettivi Multipli: esempio grafico I
Per ottenere ununica soluzione si pu usare lapproccio della marca ideale

quando possibile stabilire i valori ideali da cui ci si vuole allontanare il
meno possibile.
E.g., i valori ottimi per il problema sono z*= 38 che w*= 37,5. Si pu
quindi minimizzare una norma giungendo a
min ||38 (5x1 + 6x2 +3x3)|| + ||37,5 10x2||
2x1 + 4x2 + x3 15
3x1 + 2x2 + 2x3 23
z = 26,6
x1 + 3x2 + x3 18
xi 0
Si consideri il seguente problema

max z = x1 + 3x2
max w = 3x1 + x2
-x1 + x2 4
x1 + x2 8
2x1 + x2 12
x1 5
4
xi 0
w= 30,6
(2,6), soluzione ottima per z
(5,2), soluzione
ottima per w
Se la norma scelta quella 1, lapproccio equivale a quello della

combinazione pesata degli obiettivi. Se la norma infinito si giunge
allapproccio lessicografico. Di solito si usa il quadrato della norma 2 (i
risultati indicati sono riferiti a tale caso)
97
Obiettivi Multipli: esempio grafico I
Obiettivi Multipli: esempio grafico II

Si consideri il seguente problema
max z = x1 + x2
max w = 3x1 + x2
-x1 + x2 4
x1 + x2 8
2x1 + x2 12
x1 5
4
xi 0
faccette (2,6) - (4,4) e

(4,4) - (5,2), soluzioni
pareto ottime
soluzione ottima
per 1/2 a 1
5
combinazione conica (o, come in
questo caso, convesso) delle
funzioni obiettivo
max a( x1 + 3x2) + b(3x1 + x2)
e.g., con a, b 0, a + b = 1
98
faccetta (2,6) - (4,4), soluzioni

ottime per z, z* = 8
soluzione ottima
per 1/6 a 1/2
(5,2), soluzione
ottima per w, w* =
17
soluzione ottima
per 0 a 1/6
5
99
100

faccetta (2,6) - (4,4),
soluzioni ottime per z
(4,4), soluzione
lessicografica,
considerando prima la
funzione obiettivo z
faccetta (4,4) - (5,2),

soluzioni pareto ottime
(5,2), soluzione
lessicografica,
considerando prima la
funzione obiettivo w
5
5
(5,2), soluzione ottima per
funzione obiettivo w
5
101
102
Esercizi
1. Valutare per punti la propria funzione di utilit tra gli 0 e i 10000 EUR.
2. Si stimi il valore di r per una funzione di utilit U(x) = a - b e-rx sapendo
che il DM ritiene la CME di una lotteria i cui premi sono distribuiti
uniformemente tra e .
insieme soluzioni per cui z = 7.5

(4.5,3), soluzione congiuntiva, imponendo che il
valore dellobiettivo z sia almeno 7.5 e
massimizzando lobiettivo w
3. I dati storici di una azienda indicano che nel passato recente sono stati
effettuati gli seguenti investimenti riportati in tabella. Stimare la funzione
di utilit del management aziendale con una funzione esponenziale a-be-rx
5
capitale
investito
A
soluzione di distanza
quadratica minima
rispetto alla marca
ideale A
0
198
261
299
1194
2499
1502
5
valore finale
probabilit
investimento valore finale
successo
se non vi
se vi
investimento successo
successo
0
0
0
0,28
2000
0
0,53
1300
0
0,72
1000
0
0,86
3000
0
0,95
5000
0
0,99
2500
0
103
104
Esercizi
3. Dato un capitale di 100 EUR si possono possono effettuare due tipi di
investimento. Il primo investimento ha una probabilit di successo di 0,5 e, nel
caso ci accada, vi sar un ritorno di 220 EUR, altrimenti si perde tutto. Il secondo
investimento richiede di spezzare il capitale in due tranche da 50 EUR. Entrambe
le tranche, ma in modo indipendente, sono investite in attivit che hanno
probabilit di successo di 0,5 e, nel caso ci accada, hanno un ritorno di 110 EUR,
altrimenti hanno ritorno nullo.
Supponendo di essere obbligati a scegliere uno dei due tipi di investimento
indicare quale si preferirebbe, nel caso in cui si sia avversi al rischio e nel caso in
cui si sia propensi al rischio.
Alla luce dei risultati ottenuti argomentare sul perch conviene diversificare il
rischio nel caso si debba investire in attivit in cui non si abbia il controllo sulle
probabilit di successo. Viceversa argomentare sul quali debbano essere le
condizioni che spingano una azienda a concentrarsi sul suo core business o
viceversa diversificarsi. Nel secondo caso indicare inoltre quando allazienda
conviene diversificarsi orizzontalmente e quando conviene diversificarsi
verticalmente. Presentare degli esempi numerici.
4. Svolgere gli esercizi proposti dal prof. Beasley alla pagina
http://mscmga.ms.ic.ac.uk/jeb/or/decmore.html. Per determinare la scelta ottima
utilizzare EV, ROI e la funzione di utilit determinata nellesercizio 2.
Commentare gli eventuali risultati discordi.
105

Log02DecTeo PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Log02DecTeo PDF

Caricato da

Copyright:

Formati disponibili

La teoria delle decisioni

Loggetto della Decision Theory la decisione intesa come scelta tra

Teoria delle Decisioni

Decisioni dagli esiti non deterministici

La teoria delle decisioni

La teoria delle decisioni

Fasi dellanalisi decisionale (Decision Analysis, DA)

Livello della domanda

Matrice dei Payoff

La teoria delle decisioni

La teoria delle decisioni

Fasi dellanalisi decisionale

cj{cj1, cj2, cj3}

La teoria delle decisioni

La teoria delle decisioni

Nella realt i fattori soggettivi (emotivi, avversione al rischio, valutazioni non

DM spesso non razionali

La teoria delle decisioni

D.A. Decisioni in condizioni di rischio

Teoria delle decisioni vs Teoria dei giochi

Si basano sulla massimizzazione del valore atteso

Nella Game Theory si ipotizza la presenza di pi DM che operano in

Stati delle natura Sj, j=1,...,n

Nella Decision Analysis non esiste un entit che opera in opposizione ma

Valore monetario atteso massimo (EV)

D.A. Decisioni in condizioni di rischio

D.A. Decisioni in condizioni di rischio

Il criterio del massimo EV non generalmente accettabile

Il criterio del massimo EV non generalmente accettabile

Esempio 1: decidere un investimento

Esempio 2: una diversa opportunit di un investimento per DM1

Guadagno atteso = EV = 30.000

Guadagno atteso = EV = 6.500

Due diversi decisori:

Anche se il EV molto inferiore DM1 questa volta accetta di investire!

DM2: dispone di un surplus di capitale investe

D.A. Decisioni in condizioni di rischio

D.A. Decisioni in condizioni di rischio

Il criterio del massimo EV non generalmente accettabile

La decisione presa considerando lutilit attesa

Perch il criterio del massimo valore atteso monetario non funziona?

Lutilit una misura (cardinale) della preferenza di un DM in presenza di

Si basa sullipotesi che la situazione decisionale si possa ripetere un

se Zi, i=1,..n sono le realizzazioni di una variabile aleatoria Z con

La funzione di utilit, U(.), fornisce un valore numerico che legato al valore

la media della sequenza campionaria tende a E[Z] per n dato che

U(.) esprime una misura soggettiva:

Il criterio si basa sulla legge dei grandi numeri ma la decisione reale

D.A. Decisioni in condizioni di rischio

D.A. Decisioni in condizioni di rischio

Costruzione della funzione di utilit (lesperimento di Von NeumannMorgenstern)

Esempio: A1:investimento es. 1, A2:investimento es. 2.

La lotteria standard (standard lottery) S(p)

XE la conseguenza pi desiderabile (utilit massima)

Data unalternativa A, U(A) si costruisce chiedendo al DM di specificare

U(A) = EV(S(p)) = pU(XE)+(1-p)U(XD)

D.A. Decisioni in condizioni di rischio

D.A. Decisioni in condizioni di rischio

Determinazione dellutilit delle alternative:

in questo caso, lutilit normalizzata a 100. Altre scelte possono

alla conseguenza X2 imposta utilit 75, i.e., il decisore piuttosto che

Si inizia fissando lutilit delle conseguenze ultime delle varie

con certezza 5.000 EUR per probabilit di perdita superiore al 25%;