Machine Translated by Google

Machine Translated by Google

MỤC TIÊU HỌC TẬP

Sau khi hoàn thành chương này, sinh viên sẽ có thể:

Xây dựng cây quyết định chính xác và hữu ích Điều

chỉnh xác suất bằng cách sử dụng phân tích Bayes Sử

dụng máy tính để giải quyết việc ra quyết định cơ bản

các vấn đề
Machine Translated by Google

CHƯƠNG NGOÀI

Tôi
Giới thiệu

II Quy trình quyết định

III Cây quyết định

Machine Translated by Google

I. GIỚI THIỆU

Kỹ thuật định lượng được sử dụng rộng rãi để đưa ra quyết định

Bất kỳ vấn đề nào có thể được trình bày trong bảng quyết định
cũng có thể được biểu diễn bằng đồ thị trong cây quyết định

Cây quyết định có lợi nhất khi một chuỗi các quyết định phải
được thực hiện

Tất cả các cây quyết định đều chứa các điểm hoặc nút quyết định và
các điểm hoặc nút trạng thái tự nhiên

Một nút quyết định mà từ đó có thể chọn một trong

một số lựa chọn thay thế

Một nút trạng thái tự nhiên trong đó có một trạng thái

thiên nhiên sẽ xảy ra
Machine Translated by Google

II. QUY TRÌNH QUYẾT ĐỊNH

Năm bước để quyết định phân tích cây

1 Xác định các vấn đề

2 Cấu trúc hoặc vẽ cây quyết định

3 Gán xác suất cho các trạng thái tự nhiên

4 Ước tính phần thưởng cho mỗi sự kết hợp có thể có giữa các lựa
chọn thay thế và các trạng thái tự nhiên

5 Giải quyết vấn đề bằng cách tính toán các giá trị tiền

tệ dự kiến (EMV) cho mỗi nút trạng thái tự nhiên

Machine Translated by Google

II. QUY TRÌNH QUYẾT ĐỊNH

Cấu trúc của cây quyết định

Cây bắt đầu từ trái sang phải

Biểu diễn các quyết định và kết quả theo thứ tự tuần tự Hình vuông

đại diện cho các nút quyết định Các vòng tròn biểu thị các trạng

thái của các nút tự nhiên Các đường hoặc nhánh kết nối các nút quyết

định và các trạng thái của tự nhiên

Machine Translated by Google

II. QUY TRÌNH QUYẾT ĐỊNH

Ví dụ: Thompson Lumber Company

TRẠNG THÁI TỰ NHIÊN

THUẬN LỢI KHÔNG ĐƯỢC YÊU THÍCH

THAY THẾ THỊ TRƯỜNG ($) THỊ TRƯỜNG ($)

Xây dựng một nhà máy lớn 200.000 –180.000

Xây dựng một nhà máy nhỏ 100.000 –20.000

Không làm gì cả 0 0
Machine Translated by Google

II. QUY TRÌNH QUYẾT ĐỊNH

Cây quyết định của Thompson

Một nút trạng thái tự nhiên

Thị trường thuận lợi

Một nút quyết định

1
Thị trường không thuận lợi

Thị trường thuận lợi

Xây dựng

Nhà máy nhỏ 2

Thị trường không thuận lợi

Hình 3.2
Machine Translated by Google

II. QUY TRÌNH QUYẾT ĐỊNH

Cây quyết định của Thompson

EMV cho Node 1 = $

= (0,5) (200.000 đô la) + (0,5) (- 180.000 đô la)
10.000

Payo s

Thị trường thuận lợi (0,5)

200.000 đô la
Thay thế với EMV tốt nhất được chọn

1
Thị trường không thuận lợi (0,5)
- $ 180,000

Thị trường thuận lợi (0,5)

100.000 đô la

Xây dựng nhỏ

Thực vật
2
Thị trường không thuận lợi (0,5)
- 20.000 đô la

= (0,5) (100.000 đô la)

EMV cho Node 2 = $
+ (0,5) (- 20.000 đô la)
40.000

$ 0
Machine Translated by Google

II. QUÁ TRÌNH RA QUYẾT ĐỊNH

Cây quyết định phức tạp của Thompson

Cây quyết định lớn hơn với phần thưởng và xác
suất cho Thompson Lumber:
Điểm quyết định đầu tiên Điểm quyết định thứ hai
Payo s

Thị trường thuận lợi (0,78)

$ 190,000
2 Thị trường không thuận lợi (0,22)

- $ 190,000 $
Thị trường thuận lợi (0,78)

Nhỏ bé
90,000 - $
Thực vật
3 Thị trường không thuận lợi (0,22)

30,000

Không có nhà máy

- 10.000 đô la

1 Thị trường thuận lợi (0,27)

$ 190.000 -
4 Thị trường không thuận lợi (0,73)

$ 190.000 $
Thị trường thuận lợi (0,27)
Nhỏ bé
90.000 - $
Thực vật
5 Thị trường không thuận lợi (0,73)

30.000

Không có nhà máy

- 10.000 đô la

Thị trường thuận lợi (0,50)

200.000 đô la

6 Thị trường không thuận lợi (0,50)

- $ 180,000
Thị trường thuận lợi (0,50)
Nhỏ bé
100.000 đô la
Thực vật
7 Thị trường không thuận lợi (0,50)

- 20.000 đô la

Không có nhà máy

Hình 3.4 $ 0
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH Quy

tắc xác suất Xác suất

có điều kiện - xác suất một sự kiện xảy ra

đưa ra một sự kiện khác đã xảy ra

Machine Translated by Google

III. CÂY QUYẾT ĐỊNH Cây

quyết định phức tạp của Thompson

1. Tính toán giá trị kỳ vọng của cuộc khảo sát thị trường,

EMV (nút 2) = EMV (cây lớn / khảo sát tích cực) = (0,78) ($

190,00) + (0,22) (- $ 190,000) = $ 106,400

EMV (nút 3) = EMV ((nhà máy lớn / khảo sát tích cực) = (0,78)

(90.000 đô la) + (0,22) (- 30.000 đô la) =

63.600 đô la EMV cho không có nhà máy = - 0 đô

la

Nếu kết quả điều tra thuận lợi, nên xây dựng nhà máy lớn
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH Cây

quyết định phức tạp của Thompson

Tính toán giá trị kỳ vọng của cuộc khảo sát thị trường

Khảo sát thị trường thuận lợi

EMV (nút 2) = EMV (cây lớn / khảo sát tích cực =

(0,78) ($ 190,00) + (0,22) ($ 190,000)

= $ 106,400

EMV (nút 3) = EMV ((nhà máy lớn / khảo sát tích cực)

= (0,78) (90.000 đô la) + (0,22) (- 30.000 đô la) =

63.600 đô la EMV cho không có nhà máy = - 0 đô la

Nếu kết quả điều tra thuận lợi, nên xây dựng nhà máy lớn
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH Cây

quyết định phức tạp của Thompson

Tính toán giá trị kỳ vọng của kết quả khảo sát tiêu

cực khảo sát thị trường

EMV (nút 4) = EMV (cây lớn / khảo sát tích cực =

(0,27) ($ 190,00) + (0,73) (- $ 190,000)

= - $ 87,400

EMV (nút 5) = EMV ((nhà máy lớn / khảo sát tích cực)

= (0,27) (90.000 đô la) + (0,73) (- 30.000 đô la) =

2.400 đô la EMV cho không có nhà máy = - 10.000 đô

la

Nếu kết quả điều tra không thuận lợi, nên xây dựng một nhà máy
nhỏ
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH Cây

quyết định phức tạp của Thompson 3.

Tính giá trị kỳ vọng của khảo sát thị trường, EMV
(nút 1) = EMV (tiến hành khảo sát)
= (0,45) ($ 106,400) + (0,55) ($ 2,400) = $

47,880 + $ 1,320 = $ 49,200 4. Nếu khảo sát

thị trường không được thực hiện, EMV (nút 6) = EMV (nhà máy lớn)

= (0,50) ($ 200.000) + ( 0,50) (- $ 180,000) = $ 10,000 EMV

(nút 7) = EMV (cây nhỏ)

= (0,50) (100.000 đô la) + (0,50) (- 20.000 đô

la) = 40.000 đô la EMV cho không có nhà máy = 0

đô la 5. Lựa chọn tốt nhất là tìm kiếm thông tin tiếp thị
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH

Cây quyết định phức tạp của Thompson

Điểm quyết định đầu tiên Điểm quyết định thứ hai
Payo s

$ 106.400
Thị trường thuận lợi (0,78)
$ 190,000

Thị trường không thuận lợi (0,22)

- 190.000 đô la

$ 63.600
Thị trường thuận lợi (0,78)
Nhỏ bé $ 90,000

Thực vật Thị trường không thuận lợi (0,22)

- 30.000 đô la

Không có nhà máy

- 10.000 đô la

- 87.400 USD
Thị trường thuận lợi (0,27)
$ 190,000

Thị trường không thuận lợi (0,73)

- 190.000 đô la

$ 2,400 Thị trường thuận lợi (0,27)

Nhỏ bé $ 90,000

Thực vật Thị trường không thuận lợi (0,73)

- 30.000 đô la

Không có nhà máy

- 10.000 đô la

$ 10.000
Thị trường thuận lợi (0,50)
200.000 đô la

Thị trường không thuận lợi (0,50)

- $ 180,000
$ 40.000
Thị trường thuận lợi (0,50)
Nhỏ bé 100.000 đô la

Thực vật Thị trường không thuận lợi (0,50)

- 20.000 đô la

Không có nhà máy

$ 0
Hình 3.4
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH

Cây quyết định phức tạp của Thompson

Chúng tôi quay trở lại nút quyết định

đầu tiên và chọn giải pháp thay thế
tốt nhất : Giá trị tiền tệ dự kiến

của việc thực hiện khảo sát là 49.200

đô la, so với EMV là 40.000 đô la khi
không thực hiện nghiên cứu, vì vậy lựa
chọn tốt nhất là tìm kiếm thông tin
tiếp thị. • Nếu kết quả khảo sát thuận
lợi , chúng ta nên xây dựng một nhà

máy lớn! • Nhưng nếu nghiên cứu là

tiêu cực, anh ta nên xây dựng một nhà

máy nhỏ! 6
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH

Cây quyết định phức tạp của Thompson

Giờ đây, ông Thompson nhận ra rằng việc tiến hành nghiên cứu thị
trường không phải là miễn phí!

Anh ấy muốn biết giá trị thực tế của việc

khảo sát là!
• Một cách đo lường giá trị của thông tin thị trường
là tính toán giá trị dự kiến của thông tin mẫu (EVSI) ,
là sự gia tăng giá trị kỳ vọng do thông tin mẫu
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH

Giá trị kỳ vọng của thông tin mẫu

Thompson muốn biết giá trị thực tế của
việc khảo sát

Giá trị mong đợi Giá trị mong đợi

với thông tin của quyết định tốt
EVSI = -
mẫu, giả sử không có chi nhất mà không có
phí để thu thập thông tin đó thông tin mẫu

= (EV với thông tin mẫu + chi phí)

- (EV không có thông tin mẫu)

EVSI = ($ 49.200 + $ 10.000) - $ 40.000 = $ 19.200

Machine Translated by Google

III. CÂY QUYẾT ĐỊNH

Giá trị mong đợi của thông tin mẫu

Thompson muốn biết giá trị thực tế của việc làm
cuộc khảo sát:

ở đâu:

EVSI = giá trị mong đợi của thông tin mẫu

EV với SI = giá trị mong đợi với thông tin mẫu
EV không có SI = giá trị mong đợi không có thông tin
mẫu

EVSI = ($ 49.200 + $ 10.000) - $ 40.000 = $ 19.200

Ông Thompson có thể đã trả tới 19.200 đô la cho một cuộc

nghiên cứu thị trường và vẫn xuất hiện trước mắt! Vì nó chỉ tốn
10.000 đô la, cuộc khảo sát thực sự đáng giá!
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH

Hiệu quả của Thông tin Mẫu

• Có thể có nhiều loại thông tin mẫu

• Các nguồn khác nhau có thể được đánh giá

Đối với Thompson:

Khảo sát thị trường chỉ có hiệu quả 32% so với thông
tin hoàn hảo!
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH

Phân tích độ nhạy

Mức độ nhạy cảm của các quyết định đối với những thay đổi trong

xác suất?

Quyết định của chúng ta nhạy cảm đến mức nào đối với xác suất của

một kết quả khảo sát thuận lợi?

Tức là, nếu xác suất của một kết quả thuận lợi (p = .45) thay đổi ở

đâu, thì chúng ta có đưa ra quyết định tương tự không?

Nó có thể thay đổi bao nhiêu trước khi chúng tôi đưa ra quyết định
khác?
Machine Translated by Google

III. CÂY QUYẾT ĐỊNH

Phân tích độ nhạy

p = xác suất của một kết quả khảo sát thuận lợi

(1 - p) = xác suất của một kết quả khảo sát âm tính

EMV (nút 1) = ($ 106.400) p + ($ 2.400) (1 - p)

= $ 104,000p + $ 2,400
Chúng tôi thờ ơ khi EMV của nút 1 giống với EMV của
việc không thực hiện khảo sát, $ 40.000

$ 104,000p + $ 2,400 = $ 40,000

$ 104,000p = $ 37,600

P = $ 37.600 / $ 104.000 = 0,36

Machine Translated by Google

VI. CÂY QUYẾT ĐỊNH

Phân tích Bayes

Nhiều cách lấy dữ liệu xác suất

Nó có thể được dựa trên

Kinh nghiệm và trực giác của quản lý

Dữ liệu lịch sử

Tính toán từ dữ liệu khác bằng cách sử dụng định lý Bayes

Định lý Bayes kết hợp các ước lượng ban đầu và thông tin
về độ chính xác của các nguồn
Cho phép sửa đổi các ước tính ban đầu dựa trên thông tin mới
Machine Translated by Google

VI. CÂY QUYẾT ĐỊNH

Tính toán xác suất đã sửa đổi

Trong trường hợp Thompson Lumber, chúng tôi đã sử dụng bốn xác suất có
điều kiện này

P (thị trường thuận lợi (FM) | kết quả khảo sát tích cực) = 0,78

P (thị trường không thuận lợi (UM) | kết quả khảo sát tích cực) =

0,22 P (thị trường thuận lợi (FM) | kết quả khảo sát tiêu cực) =

0,27 P (thị trường không thuận lợi (UM) | kết quả khảo sát âm tính) = 0,73

Xác suất trước của các thị trường này là

P (FM) = 0,50
P (UM) = 0,50
Machine Translated by Google

VI. CÂY QUYẾT ĐỊNH

Hãy xem làm cách nào mà ông Thompson có thể lấy được những giá trị này

với định lý Bayes:

• Từ các cuộc thảo luận với các chuyên gia nghiên cứu thị trường, ông Thompson

biết rằng các cuộc khảo sát đặc biệt có thể tích cực (dự đoán thị trường) hoặc

là tiêu cực (dự đoán một thị trường không thuận lợi).

• Các chuyên gia đã nói với ông Thompson rằng, về mặt thống kê, tất cả các

sản phẩm mới có thị trường thuận lợi (FM), các cuộc khảo sát thị trường đều tích cực

và dự đoán thành công đúng 70% thời gian. 30% thời gian các cuộc khảo sát dự

đoán sai kết quả tiêu cực hoặc không thuận lợi

thị trường (UM).

• Khi thực sự có một thị trường không thuận lợi cho một sản phẩm mới,

80% các cuộc khảo sát đã dự đoán chính xác kết quả tiêu cực. Các cuộc điều tra

dự đoán sai kết quả dương tính chiếm 20% thời gian.
Machine Translated by Google

VI. CÂY QUYẾT ĐỊNH

Tính toán xác suất đã sửa đổi

Qua trao đổi với các chuyên gia Thompson đã rút ra được những điều sau
Anh ta có thể sử dụng thông tin này và định lý Bayes để tính toán xác
suất sau

TRẠNG THÁI TỰ NHIÊN

KẾT QUẢ CỦA THỊ TRƯỜNG ĐƯỢC YÊU THÍCH NHẤT THỊ TRƯỜNG KHÔNG ĐƯỢC YÊU THÍCH
SỰ KHẢO SÁT (FM) (MỘT)

Tích cực (dự đoán

P (khảo sát tích cực | FM) = P (khảo sát dương | UM) = 0,20
thị trường thuận lợi
0,70
cho sản phẩm)

Tiêu cực
(dự đoán
P (âm khảo sát | FM) P (âm khảo sát | UM)
thị trường
= 0,30 = 0,80
không thuận

lợi cho sản phẩm)

Bảng 3.11
Machine Translated by Google

Tính toán xác suất đã sửa đổi

Hãy tính toán xác suất sau của Thompson: • Chúng ta cần xác

suất thuận lợi hoặc không thuận lợi

thị trường đưa ra kết quả tích cực hoặc tiêu cực từ nghiên cứu thị
trường!

Dạng tổng quát của định lý Bayes (xem Chương 2):

Ở đâu

A, B = hai sự kiện bất kỳ

A '= phần bổ sung của A = thị trường không thuận lợi
A = thị trường thuận lợi

B = khảo sát tích cực

Đối với ví dụ này, A sẽ đại diện cho một thị trường thuận lợi
và B sẽ đại diện cho một cuộc khảo sát tích cực
Machine Translated by Google

Tính toán xác suất đã sửa đổi

P (FM | khảo sát tích cực)

0 70(.)
(.) 0 50 0 .35
= = = 0 .78
(.) 0 50)+0(.)
0 70(.) 20 (.
0 50 0 .45

xác suất của một

P (UM | khảo sát tích cực) cuộc khảo sát tích cực

(.)
0 20(.0 50) 0 .10
= = = 0 .22
(.) 0 50)+0(.)
0 20(.) 70 (.
0 50 0 .45
Machine Translated by Google

Tính toán xác suất đã sửa đổi

KHẢ NĂNG THƠM LỢI

ĐIỀU KIỆN

KHẢ NĂNG LỢI NHUẬN P (TIỂU BANG

P (KHẢO SÁT THIÊN NHIÊN |
TRẠNG THÁI TÍCH CỰC | TIỂU BANG TRƯỚC CHUNG SỰ KHẢO SÁT
THIÊN NHIÊN CỦA THIÊN NHIÊN) KHẢ NĂNG LỢI NHUẬN KHẢ NĂNG LỢI NHUẬN TÍCH CỰC)

FM 0,70 X 0,50 = 0,35 0,35 / 0,45 = 0,78

Một 0,20 X 0,50 = 0,10 0,10 / 0,45 = 0,22

P (kết quả khảo sát dương tính) = 0,45 1,00

Bảng 3.12
Machine Translated by Google

Tính toán xác suất đã sửa đổi

P (FM | khảo sát âm)

0 30(.)
(.) 0 50 0 .15
= = = 0 .27
(.)
30 0(.) 0 +80(.0 050
50 (.) ) 0 .55

xác suất của một

P (UM | khảo sát phủ định) cuộc khảo sát tiêu cực

0 80(.)
(.) 0 50 0 .40
= = = 0 .73
0 80(.)
(.) (.)+0 (.)
0 50 30 0 50 0 .55
Machine Translated by Google

Tính toán xác suất đã sửa đổi

KHẢ NĂNG THƠM LỢI

ĐIỀU KIỆN

KHẢ NĂNG LỢI NHUẬN P (TIỂU BANG

P (KHẢO SÁT THIÊN NHIÊN |
TRẠNG THÁI TIÊU CỰC | TIỂU BANG TRƯỚC CHUNG SỰ KHẢO SÁT
THIÊN NHIÊN CỦA THIÊN NHIÊN) KHẢ NĂNG LỢI NHUẬN KHẢ NĂNG LỢI NHUẬN PHỦ ĐỊNH)

FM 0,30 X 0,50 = 0,15 0,15 / 0,55 = 0,27

Một 0,80 X 0,50 = 0,40 0,40 / 0,55 = 0,73

P (kết quả khảo sát dương tính) = 0,55 1,00

Bảng 3.13
Machine Translated by Google