Kvantitatív módszerek
-
Upload
nigel-berry -
Category
Documents
-
view
36 -
download
6
description
Transcript of Kvantitatív módszerek
Döntéselméleti alapok
Esetpélda: Egy adott vállalkozás az …
„A” „B”
Kapacitás db/hó 15 000 25 000
k prop Ft/db 100 80
K fix Ft/hó 106 106
á tervezett Ft/db 200 150
á engedmény Ft/db 160 110
89
Döntéselméleti alapok
Döntés fogalma Döntéshozó Cselekvési változatok (si)
Tényállapotok (tj)
– tényállapotok valószínűségeloszlása P(tj)
Eredmények (oij)
89-90
Döntéselméleti alapokDöntési mátrix:
t1 t2 … … tm
s1 o11 o12 … … o1m
s2 o21 o22 … … o2m
: : : :
: : : :
sn on1 on2 … … onm
91
Döntéselméleti alapok
Esetpélda: Döntési mátrix s1 = 15 000 db „A” termék legyártása}
s2 = 25 000 db „B” termék legyártása}
t1 = a piacon az „A” terméket keresik}
t2 = a piacon a „B” terméket keresik}
Eredmények:o11 = 15 000·200-15 000·100-106 = 500 eFt500 eFto12 = ….
91
Döntéselméleti alapok
Döntési osztályokA tényállapotok valószínűségeloszlásának ismerete szerint
– Bizonytalan körülmények közötti döntés P(tj)-k nem ismertek
– Kockázatos körülmények közötti döntés P(tj)-k ismertek
– Döntés bizonyosság esetén
92
Döntéselméleti alapok
Döntési kritériumok Kockázatos döntések oszt.: opt. várható érték
Bizonytalan döntések oszt.: NINCS EGYSÉGES döntési kritérium Wald, Savage, Laplace
Biztos döntések oszt.: optimális cselekvési változat kiválasztása
92-93
Döntéselméleti alapok
Esetpélda: Bizonytalan döntés Wald kritérium óvatos pesszimistaóvatos pesszimista
500 -100
-250 750
Döntés: s1
92
Döntéselméleti alapok
Esetpélda: Bizonytalan döntés Laplace kritérium P(tP(t11) = P(t) = P(t22) = 0,5) = 0,5
500 -100
-250 750
M(s1) = 500·0,5 - 100·0,5 = 200
M(s2) = -250·0,5 + 750·0,5 = 250
Döntés: s2
93
Döntéselméleti alapok
Esetpélda: Bizonytalan döntés Savage kritérium Elmaradó haszon mátrix Elmaradó haszon mátrix
500 -100
-250 750
00 850850
750750 00
Döntés: s2
93
Döntéselméleti alapok
Esetpélda: Kockázatos döntésP(tP(t11) = 0,7) = 0,7 P(tP(t22) = 0,3) = 0,3
M(s1) = 500·0,7 - 100·0,3 = 320 eFt
M(s2) = -250·0,7 + 750·0,3 = 50 eFt
500 -100
-250 750
Döntés: s1
94
Döntéselméleti alapok
Esetpélda: Kockázatos döntés pótlólagos inf.-valX1: a piackutatók az „A” terméket jelzik
X2: a piackutatók a „B” terméket jelzik
t1: a piacon az „A” terméket keresik
t2: a piacon a „B” terméket keresikValószínűségek:Valószínűségek:
P(t1) = 0,7 P(t2) = 0,3P(x1|t1) = 0,9 P(x2|t2) = 0,8P(x2|t1) = 0,1 P(x1|t2) =0,2
94
Döntéselméleti alapok
Esetpélda: Kockázatos döntés pótlólagos inf.-val
Mit jelent a P(xP(x11|t|t11)) ill. P(xP(x22|t|t22)) feltételes valószínűség?
Azaz a P(tP(t11|x|x11) = ) = ?? P(t P(t22|x|x22) = ) = ? ? valószínűségeket
kell meghatároznunk.
A vállalatot viszont az érdekli, hogy ha a piackutatók az egyik terméket jelzik, akkor mi a valószínűsége, hogy a piacon valóban ezt a terméket fogják keresni?
Bayes-tételBayes-tétel
94
Döntéselméleti alapok
Esetpélda: Kockázatos döntés pótlólagos inf.-val
)t|()()t|()()t|()(
)X|(212111
11111 XPtPXPtP
XPtPtP
91,02,03,09,07,0
9,07,0)X|( 11
tP
77,07,01,08,03,0
8,03,0)X|( 22
tP
94
Döntéselméleti alapok
Esetpélda: Kockázatos döntés pótlólagos inf.-val
500 -100
-250 750
Ha a piackutatók az „A”-t jelzik:M(S1)= 500·0,91-100·0,09 = 446 eFt446 eFt
Ha a piackutatók a „B”-t jelzik:M(S2)= -250·0,23+750·0,77= 520 eFt520 eFt
Mennyi a várható nyereség?
94
Döntéselméleti alapok
Esetpélda: Kockázatos döntés pótlólagos inf.-val
P(XP(X11) = ? és P(X) = ? és P(X22) = ?) = ? Teljes valószínűség tétele
)t|()()t|()()( 2121111 XPtPXPtPXP
69,02,03,09,07,0)( 1 XP
31,08,03,01,07,0)( 2 XP
v. P(X2) = 1-0,69 = 0,31
94
Döntéselméleti alapok
Esetpélda: Kockázatos döntés pótlólagos inf.-valS végül a várható nyereség:
M(S1)= 446 eFt P(X1) = 0,69
M(S2)= 520 eFt P(X2) = 0,31
M(NY) = 446·0,69 + 520·0,31 = 468,94 eFt468,94 eFt
94
Döntéselméleti alapok
Esetpélda: Biztos döntés
M(NY) = 500·0,7 + + 750·0,3 = 575 eFt575 eFt
Pontosan tudjuk, hogy melyik terméket fogják keresni a piacon a következő hónapban. (!?)
500 -100
-250 750
96
Döntéselméleti alapok
Esetpélda: Az információ értéke
Elsődleges inf.: 320 eFt/hó Pótlólagos inf.: 470 eFt/hó Biztos inf.: 575 eFt/hó
150 eFt
105 eFt
96
Következtetés hibái
Sokaság A
min
ta m
inős
ítés
e a
sok
aság
ról
„jó” „rossz”„j
ó”„r
ossz
”
Nincs hibaNincs hiba
Nincs hibaNincs hibaee
Elsőfajú hibaElsőfajú hiba
Másodfajú hibaMásodfajú hiba
97
Feladat
Egy szabályozott gyártási folyamatban a kritikus minőségi jellemző 00=3,1 cm=3,1 cm33,
00=0,08 cm=0,08 cm33 normális eloszlást követ.
a.) Számolja ki a 020 beavatkozási határok esetén n=1 elemű mintavétel mellett az elsőfajú hiba valószínűségét! b.) Mekkora a másodfajú hiba valószínűsége, ha a várható érték 11=3,3 cm=3,3 cm33 -re változott?
99
08,03,394,2
08,03,326,3
ABH=2,94 cmABH=2,94 cm33
FBH=3,26 cmFBH=3,26 cm33 /2
/2
Feladat
P(0<ABH) =
n = 1n = 1
08,01,394,2
0=3,1 1=3,3
6915,015,45,0
= 30,85%= 30,85%
=(-2) = 2,28%2,28%
= 2·2,28 = 4,56%4,56%
=P(ABH<1<FBH)
99
Feladat
c.) Mekkora az első és másodfajú hiba valószínűsége, 003300 beavatkozási határok valamint n=1n=1 és n=4n=4 elemű mintavétel mellett?
99
Feladat
ABH=2,86 cmABH=2,86 cm33
FBH=3,34 cmFBH=3,34 cm33
n = 1n = 1
/2
/2
08,01,386,2
2
(-3) = 0,13%
= 0,26%= 0,26%
08,03,386,2
08,03,334,3
5,55,0
= 69,15%= 69,15%
n = 4n = 4
04,04
08,0 x 04,04
08,0 x
ABH=2,98 cmABH=2,98 cm33
FBH=3,22 cmFBH=3,22 cm33
04,03,398,2
04,03,322,3
82 2,28%2,28%
99
0=3,1 1=3,3
Feladat
Egy statisztikai folyamatszabályozás során a szimmetrikus beavatkozási határokat 10%-os kockázati szint mellett alakították ki. A folyamat normális eloszlást követ, szabályozott állapotban N(190;5) paraméterekkel.
a.) Mekkora a másodfajú hiba n=1 elemű mintavétel mellett, ha a folyamat elállítódik? Az elállítódott folyamat eloszlása N(194;9)
b.) Végezze el az előző számítást n=9 elemű mintára is!
100