Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa. 2006-2007 Sistemi di Supporto alle Decisioni I Lezione 5 Chiara Mocenni Corso di laurea L1.

Slides:



Advertisements
Presentazioni simili
Premessa: si assume di aver risolto (correttamente
Advertisements

Teoria e Tecniche del Riconoscimento
Automi temporizzati.
Modellistica e Gestione dei Sistemi Ambientali Equazioni di Reazione e Diffusione Modellistica e Gestione dei Sistemi Ambientali a.a Laurea.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 6 Chiara Mocenni Corso di laurea L1.
2. Introduzione alla probabilità
Chiara Mocenni – Analisi delle Decisioni a.a Analisi delle Decisioni Probabilita condizionate e Teorema di Bayes Chiara Mocenni.
Matematica I: Calcolo differenziale, Algebra lineare, Probabilità e statistica Giovanni Naldi, Lorenzo Pareschi, Giacomo Aletti Copyright © The.
6. Catene di Markov a tempo continuo (CMTC)
1 2. Introduzione alla probabilità Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari : è linsieme.
Lez. 41 Universita' di Ferrara Facolta' di Scienze Matematiche, Fisiche e Naturali Laurea Specialistica in Informatica Algoritmi Avanzati Programmazione.
Chiara Mocenni – Analisi delle Decisioni – a.a Analisi delle Decisioni Atteggiamenti rispetto al rischio Chiara Mocenni.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 3 Chiara Mocenni Corso di laurea L1.
Analisi delle Decisioni Esistenza della funzione di utilita’
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 7 Chiara Mocenni Corso di laurea L1.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 1 Chiara Mocenni Corso di laurea L1.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 3 Chiara Mocenni Corso di laurea L1.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Dynamic Programming Chiara Mocenni Corso di.
Chiara Mocenni – Analisi delle Decisioni a.a Analisi delle Decisioni Preferenze, decisioni e incertezza Chiara Mocenni.
Chiara Mocenni – Analisi delle Decisioni – a.a Analisi delle Decisioni Decisioni sequenziali Chiara Mocenni.
Modelli Modellistica e Gestione dei Sistemi Ambientali a.a
Analisi delle Decisioni Funzioni di utilita’ e lotterie
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 2 Chiara Mocenni Corso di laurea L1.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 2 Chiara Mocenni Corso di laurea L1.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 4 Chiara Mocenni Corso di laurea L1.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Scelte di consumo Chiara Mocenni Corso di laurea.
Chiara Mocenni – Analisi delle Decisioni a.a Analisi delle Decisioni Conoscenza incerta e probabilita Chiara Mocenni.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Esercizi e test Chiara Mocenni.
Funzione di distribuzione (detta anche cumulativa o di ripartizione)
6. Catene di Markov a tempo continuo (CMTC)
3. Processi Stocastici Un processo stocastico è una funzione del tempo i cui valori x(t) ad ogni istante di tempo t sono v.a. Notazione: X : insieme di.
4. Automi temporizzati Il comportamento dei sistemi ad eventi temporizzati non è definito semplicemente da una sequenza di eventi o di valori dello stato,
Un istituto di ricerca deve decidere il numero di posti da mettere a concorso per l'assunzione di nuovi ricercatori di primo, secondo e terzo livello.
TEORIA RAPPRESENTAZIONALE DELLA MISURA
Prof.ssa Chiara Petrioli -- corso di programmazione 1, a.a. 2006/2007 Corso di Programmazione 1 a.a.2006/2007 Prof.ssa Chiara Petrioli Corso di Laurea.
Processi Aleatori : Introduzione – Parte I
Alberi di Ricorrenza Gli alberi di ricorrenza rappresentano un modo conveniente per visualizzare i passi di sostitu- zione necessari per risolvere una.
FUNZIONE: DEFINIZIONE
Corso di biomatematica lezione 6: la funzione c2
Corso di biomatematica Lezione 3: Distribuzioni di probabilità continue Davide Grandi.
Interpolazione ed estrapolazione
Modelli e Algoritmi della Logistica
CAPITOLO 20 Lutilità attesa come strumento decisionale normativo Una giustificazione della procedura del modello dellutilità attesa Quale tipo di comportamento.
CAPITOLO 19 L’avversione al rischio e l’utilità attesa
La teoria delle scelte del consumatore
STATISTICA a.a PARAMETRO t DI STUDENT
Assicurazioni vita e mercato del risparmio gestito
Assicurazioni vita e mercato del risparmio gestito
Popolazione campione Y - variabile casuale y - valori argomentali Frequenza relativa: Estrazione Densità della classe i-esima: Lezione 1.
Elementi di programmazione ad oggetti a. a. 2009/2010 Corso di Laurea Magistrale in Ingegneria Elettronica Docente: Mauro Mazzieri, Dipartimento di Ingegneria.
Corso di biomatematica lezione 8: Massima verosimiglianza Davide Grandi.
Mercati Azionari, Obbligazionari e Derivati A.A. 2006/ II semestre Docente: Massimo Pinna Università degli Studi di Cagliari Facoltà di Economia.
Intelligenza Artificiale
Rischio, incertezza e mercati finanziari
Algoritmi Paralleli e Distribuiti a.a. 2008/09 Lezione del 17/04/2009 Prof. ssa ROSSELLA PETRESCHI a cura del Dott. SAVERIO CAMINITI.
Le variabili casuali e la loro distribuzione di probabilità Generalmente, lanciando un dado, si considera il valore numerico della faccia uscita.
è … lo studio delle caratteristiche di regolarità dei fenomeni casuali
Sottospazi vettoriali
La quantità chimica LA MOLE La quantità chimica:la mole.
Didattica e Fondamenti degli Algoritmi e della Calcolabilità Terza giornata: principali classi di complessità computazionale dei problemi Guido Proietti.
R. Soncini Sessa, MODSS, L 26 Stima degli effetti Calcolo degli obiettivi (Laplace) Rodolfo Soncini Sessa MODSS Copyright 2004 © Rodolfo Soncini.
R. Soncini Sessa, MODSS, L21 Accettare la casualità Rodolfo Soncini Sessa MODSS Copyright 2004 © Rodolfo Soncini Sessa.
Calcolo delle probabilità a cura di Maurizio Brizzi
La variabile casuale (v.c.) è un modello matematico in grado di interpretare gli esperimenti casuali. Infatti gli eventi elementari  che compongono lo.
Elementi di teoria delle probabilità
Lezione n° 5: Esercitazione
Giochi Bayesiani 19/07/2011 Università degli studi di Napoli “Federico II” Emiliano Iuliano Francesco De Domenico Corso di teoria dei giochi Prof.ssa Lina.
1 VARIABILI CASUALI. 2 definizione Una variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico). Esempi l’esito.
10/5/061 Lez. 12 Previsioni di traffico Generalità Previsioni di scenario.
Teoria dei Sistemi di Trasporto Tematica 4: Elementi minimi di teoria della probabilità.
Transcript della presentazione:

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 5 Chiara Mocenni Corso di laurea L1 in Ingegneria Gestionale e L2 in Ingegneria Informatica III ciclo

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Funzioni di utilita multiattributo Nei casi in cui le conseguenze siano caratterizzate da due o piu attributi e necessario utilizzare funzioni di utilita multiattributo. Ad esempio per decidere la posizione di un nuovo aeroporto si dovranno considerare I disagi causati dalla sua costruzione, il costo del terreno, la distanza dai centri abitati, il rumore, la sicurezza, ecc.

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Chiameremo gli attributi X=X 1,…X n ; Un vettore completo di assegnamenti sara x=. Assumeremo che ogni attributo abbia valori discreti o continui scalari; Assumeremo inoltre che a valori piu alti dellattributo corrisponda unutilita maggiore.

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Si presentano due casi 1. Non e necessario combinare i valori degli attributi in un singolo valore di utilita; 2. E possibile esprimere in modo molto conciso lutilita di una combinazione di attributi.

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Il caso dellaeroporto Supponiamo che la posizione S 1 per posizionare il nuovo aeroporto costi meno, generi meno inquinamento acustico e sia piu sicura della posizione S 2 : non avremmo dubbi a rifiutare S 2. Abbiamo una DOMINANZA STRETTA di S 1 su S 2.

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa X1X1 X2X2 D A C B Caso deterministico A e dominata strettamente da B ma non da C o D

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa X1X1 X2X2 A C B Caso generale, con incertezza A e dominata strettamente da B ma non da C

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Supponiamo di credere che il costo della costruzione dellaeroporto nella posizione S 1 sia uniformemente distribuito tra 2,8 e 4,8 miliardi di euro, mentre per la posizione S 2 il costo sia uniformemente distribuito tra 3 e 5,2 miliardi.

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa ,2 -3-4,8-2,8 0,45 0,5 S2S2 S1S1 Costo negativo Probabilita S 1 domina stocasticamente S 2

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Costo negativo Probabilita 1 S2S2 S1S1 Distribuzione cumulata (integrale della distribuzione originale)

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Formalmente Se due azioni A 1 e A 2 hanno distribuzioni p 1 (x) e p 2 (x) sullattributo X, allora A 1 domina stocasticamente A 2 su X se

Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Se A 1 domina stocasticamente A 2, allora lutilita attesa di A 1 e almeno pari a quella di A 2 per qualsiasi funzione di utilita U(x) monotonicamente non decrescente.