第十章不确定下的决策分析(MBA讲义)

第十二章决策分析决策分析举例DecisionAnalysisExamples(Section12.1)决策准则DecisionCriteria(Section12.2)不确定型决策风险型决策决策树DecisionTrees(Section12.3)SessionTopicsIntroductiontoDecisionAnalysis决策分析介绍ProbabilityDecisionCriteria概率决策准则UsingDecisionTreetoAnalyze使用决策树进行分析ExpectedValueofPerfectInformation全信息价值UtilityandRiskAttitude效用与风险态度SensitivityAnalysis敏感性分析实际问题制造商向市场推出新产品潜在顾客将会做出什么反应？制造商应当生产多少产品？是否需要在一个小区域中进行试销？为了成功推出产品，需要打多少广告？政府工程承包商投标一个新的合同工程的实际成本是多少？哪些公司会投标？他们可能的投标价是多少？金融公司投资有价证券哪些市场板块和有价证券前景最好？经济形势任何？利率会如何变化？这些因素如何影响投资决策?Decision-makingUnderUncertainty不确定环境中进行决策石油勘探问题OilDrillingProblem一个石油勘探公司拥有一块土地，咨询地质专家告诉公司，该块地下有石油的概率为0.25。公司是否要对这块地进行石油钻井勘探？如果勘探，则需要100,000的勘探成本，如果发现石油，可获得800,000收益；如果没有发现石油，则价值为0，损失100,000投资。另一家公司听说咨询地质专家报告，决定出价90,000元来购买这块土地。利润收益表实际举例决策状态有油没有油钻井勘探70－10出售土地99先验概率0.250.75单位：万元公司该如何决策？决策分析术语TermsofDecisionAnalysis决策者（DecisionMaker）是对一个决策（或一系列决策）负责的人或团体备择方案（Alternatives）是决策者将作出的决策的选项自然状态（Stateofnature）决策结果受到决策者无法控制的随机因素影响收益（Payoff）每一种决策的备选方案及自然状态的组合都会导致某种结果,是衡量决策结果对决策者的价值的量化指标不确定型决策确定性决策（DecisionsUnderCertainty）自然状态确定（Stateofnature）选择产生最大收益的决策例子：生产组合（ProductMix）分销配送（Distribution）人员排程（Scheduling）不确定下的决策（风险决策）自然状态不确定(有多个可能状态)例子：石油勘探新产品开发拍电影IntroductiontoDecisionAnalysis决策分析介绍ProbabilityDecisionCriteria概率决策准则最大可能性准则（maximumLikelihoodCriterion）等可能性准则（EquallyLikelyCriterion）贝叶斯决策规则（Bayes'DecisionRule）MaximumLikelihoodCriterion最大可能性准则发现概率最大的自然状态选择在这种自然状态下收益最大的备择方案如果这些其他收益中有一些是致命的怎么办？如果其他这些收益远比所选择的方案的收益丰厚怎么办？如果最可能的自然状态下收益的差异远小于另一个具有一定可能性的自然状态下的收益，那么决策者会更加关注后者如果有很多种自然状态且它们的可能性几乎相同，最可能自然状态变为现实的概率就会相当低存在的问题EquallyLikelyCriterion等可能性准则每一种备择方案计算所有自然状态下的平均收益选择具有最大平均收益的备择方案先验概率十分武断在一些情况下，有很好的证据能够证明某些自然状态比其他自然状态具有更大的可能性发生，使用这个信息应该能改进决策通常有一些将可能的自然状态进行细化的途径存在的问题Bayes'DecisionRule贝叶斯决策规则每一种备择方案，将每一个收益乘以相应自然状态的先验概率，乘积相加就得到收益的加权平均选择具有最大期望收益的备择方案在确定先验概率时，仍然有相当大的不确定性先验概率在相当大的程度上是主观的，然而安全的决策应当是基于客观数据和程序的对于平均结果，期望（货币上的）收益忽视了可能的结果对决策者的影响存在的问题ExpectedValueCriterion期望规则假设有石油的概率为40%.收益表勘探的期望收益=不勘探的期望收益=状态决策有无勘探600-200不勘探00先验概率0.40.6实际举例UsingDecisionTreetoAnalyze使用决策树进行分析600-2000WetDryDrillDonotdrill0.60.4在每个事件点（eventnode）：用圆圈表示，后向计算期望收益（每个枝的概率和收益的乘积的和）.在每个决策点（decisionnode）：用方块表示，选择最好的枝（最大的期望值）.状态决策有无勘探600-200不勘探00先验概率0.40.6决策树实际举例UsingTreePlantoAnalyze使用TreePlan进行分析1、在“Tools”采单选择“DecisionTree”.UsingTreePlantoAnalyze使用TreePlan进行分析2.点击“NewTree”就会出现一个默认的单决策点双枝的树FinalDecisionTree最终的决策树UsingTreeAgetoAnalyze使用TreeAge进行分析MakingSequentialDecisions序惯决策一生物制药公司要进行新产品的研制，有下面一些选择方案R&DChoiceInvestmentOutcomesProfit(excludingR&D)ProbabilityBiochemical$10millionLargesuccess$90million0.7Smallsuccess$50million0.3Biogenetic$20millionSuccess$200million0.2Failure$0million0.8实际举例0.7LargeSuccess80Biochemical9080-10680.3SmallSuccess4050401680.2Success180Biogenetic200180-20200.8Failure-200-20MakingSequentialDecisions序惯决策SimultaneousDevelopment同时发展Biochemical0.1460BioChem(LS),Genetic(S)906020170Biogenetic170200170Biochemical0.0620BioChem(SS),Genetic(S)5020SimultaneousDevelopment21017072.4-3072.4Biogenetic1702001700.56BioChem(LS),Genetic(F)Biochemical16006090600.24BioChem(SS),Genetic(F)Biochemical1200205020BiochemicalFirst先进行生物化学研制Biochemical800.79080LargeSuccess20.2082Success170PursueBiogenetic200170-20820.8BiochemicalFirstFailure16072.4-1072.49060Biochemical400.35040SmallSuccess20.2050Success170PursueBiogenetic200170-20500.8Failure205020BiogeneticFirst先进行生物基因研制0.2Success1802001800.7BiogeneticFirstLargeSuccess16074.4-2074.4PursueBiochemical9060-10480.30.8SmallSuccessFailure2015020048Don'tPursueBiochemical-200-20SummaryofR&DOptionsR&D方式的总结Biochemical68Biogenetic20Simultaneous572.474.4Sequential:BiochemicalFirst72.4Sequential:BiogeneticFirst74.4IncorporatingNewInformation加入新信息通常一个初步的研究会对自然状态的概率有一个更好的近似.例如:市场调研（Marketsurveys）市场测试（Test-marketing）地震测试（Seismictestingforoil）问题:我们得为得到这些信息付多少价值呢？ExpectedValueofPerfectInformation全信息价值EP（无更多信息）=以原始的先验概率用贝叶斯决策规则得到的期望收益EP（拥有全情报）=如果知道真实的自然状态进行决策得到的期望收益EVPI=全情报价值=EP（拥有全情报）-EP（无更多信息）C=获取更多信息的花费如果EVPI＜C，不值得获取更多的信息如果EVPI≥C,值得获取更多的信息ImperfectInformationSeismicTest不完全信息地震测试假定有一个地震测试可以得到更好的信息进行100次测试记录ActualStateofNatureWet(W)Dry(D)TotalSeismicGood(G)302050ResultBad(B)104050Total4060100实际举例P(W|G)=?Wet600DrillP(D|G)=?P(G)=?DryGoodTest(G)-200Donotdrill0P(W|B)=?Wet600DrillP(D|B)=?P(B)=?DryBadTest(B)-200Donotdrill0P(W|G)=给定测试是“Good”时有石油“Wet”的概率ConditionalProbability条件概率测试结果的概率:P(G)=P(B)=给定测试结果下的条件概率:P(W|G)=P(D|G)=P(W|B)=P(D|B)=ActualStateofNatureWet(W)Dry(D)TotalSeismicGood(G)302050ResultBad(B)104050Total4060100ConditionalProbability条件概率RevisingProbabilities修正概率ActualStateofNatureWet(W)Dry(D)Good(G)P(G|W)=0.75P(G|D)=0.25Bad(B)P(B|W)=0.33P(B|D)=0.67PriorP(W)=0.4P(D)=0.6Step#1—联合概率（JointProbabilities）联合概率（JointProbabilities）ActualStateofNatureWet(W)Dry(D)TotalSeismicGood(G)P(G&W)=0.3P(G&D)=0.2P(G)=ResultBad(B)P(B&W)=0.1P(B&D)=0.4P(W)=RevisingProbabilities修正概率ActualStateofNatureWet(W)Dry(D)SeismicGood(G)P(W|G)=P(D|G)=ResultBad(B)P(W|B)=P(D|B)=RevisingProbabilities修正概率Step#2—后验概率（PosteriorProbabilities）Bayes’Theorem贝叶斯定理P(W|G)P(W|G)P(G)P(G|W)P(W)P(G)RiskAttitude风险态度对于下面的抛硬币赌博，你愿意