- •Многокритериальное пр. Качественный и количественный анализ. Пространственные модели.
- •Пр в условиях неопределенности. Парадигма анализа решений. Деревья решений.
- •Теория полезности. Принцип максимальной ожидаемой полезности. Методы прямого построения функции полезности
- •Теория полезности. Основные свойства функции полезности. Учет отношения к риску в функции полезности.
- •Теория полезности. Обоснование s- образности кривой полезности.
- •Теория полезности. Определение отношения к риску на основе понятия детерминированного эквивалента.
- •Определение детерминированного эквивалента. Детерминированный эквивалент для выпуклой и вогнутой функции.
- •Стратегическая эквивалентность функций полезности. Линейная функция полезности.
- •Логарифмическая функция полезности. Пример.
- •Экспоненциальная функция полезности. Пример.
- •Квадратичная функция полезности. Пример.
- •Теоремы о несклонности к риску. Надбавка за риск.
- •Теоремы о склонности к риску. Надбавка за риск.
- •Пример функции полезности для лпр несклонного к риску.
- •Пример функции полезности для лпр склонного к риску.
- •Мера несклонности к риску. Обоснование. Интерпретация функции несклонности к риску.
- •Связь между надбавкой за риск и функцией несклонности к риску.
- •Особенности и признаки интеллектуальности информационных систем.
- •Классификация иис. Системы с интеллектуальным интерфейсом
- •Экспертные системы. Архитектура экспертной системы. Назначение составных частей эс.
- •База знаний и механизм вывода на знаниях. Сравнительный анализ.
- •Этапы создания экспертной системы. Идентификация предметной области. Построение концептуальной модели. Типы моделей
- •Этапы проектирования экспертной системы. Формализация базы знаний. Классификация моделей представления знаний
- •Особенности знаний и их отличие от данных. Декларативные и процедурные знания. Системы, основанные на знаниях. Этапы трансформации данных и знаний. Базы данных и базы знаний
- •Самообучающиеся системы. Технологии olap и Data Mining. Определение Data Mining. Основные типы закономерностей, извлекаемых с помощью Data Mining
- •Индукция и дедукция. Алгоритм индуктивного обучения. Деревья решений
- •Искусственные нейронные сети. Обучение нейронных сетей
- •Системы, основанные на прецедентах (Case Based Reasoning)
- •Прямой логический вывод в эс на основе правила Modus Ponens.
- •Обратный логический вывод в эс на основе правила Modus Ponens
- •Семантические сети. Основные типы отношений в семантических сетях. Правила построения семантических сетей
- •Теория фреймов. Структура фрейма. Слоты и присоединенные процедуры. Механизм вывода на фреймах
- •Механизм вероятностного вывода на основе правил Байеса и коэффициентов уверенности
- •Основные понятия теории нечетких множеств. Операции над нечеткими множествами. Понятия нечеткой и лингвистической переменной. Основы нечеткого логического вывода.
- •Понятие нечеткого высказывания и нечеткого предиката
- •Формирование базы правил систем нечеткого вывода
- •Фаззификация
- •Агрегирование
- •Активизация
- •Аккумуляция
- •Понятие онтологии. Классификация онтологий и их применение.
- •Редакторы онтологий, формализмы и форматы представления онтологий
- •Подход к формированию онтологий в редакторе Protégé. Последовательность создания онтологий
- •37.2. Последовательность создания онтологий.
- •Элементы фреймовых онтологий – классы, экземпляры, слоты (типы значений, кардинальность), отношения и т.Д.
- •Язык создания экспертных систем clips: поддерживаемые парадигмы, основные структуры данных, конструкции языка для обработки данных и осуществления вывода.
-
Пример функции полезности для лпр склонного к риску.
Для ЛПР, любящего рисковать, психологические выгоды от возможности выиграть Δх рублей превосходят переживания из-за такой же потери. Подобное отношение к риску описывается "выпуклой вниз" функцией полезности (рисунок ниже):
Из графика видно, что предельная полезность богатства инвестора склонного к риску возрастает по мере роста его богатства. Кроме того, при изменении богатства на одинаковую величину при его росте его предельная полезность увеличивается в большей степени в сравнении с ее падением при уменьшении богатства. В результате, среди активов с одинаковым ожидаемым доходом, но разным риском, инвестор предпочтет более рискованный актив. Поскольку функция полезности не склонного к риску инвестора является возрастающей, то ее первая производная положительна, т.е. U'(w)> 0. Предельная полезность является величиной возрастающей, поэтому вторая производная функции полезности также положительна, т.е. U"(w)> 0.
-
Мера несклонности к риску. Обоснование. Интерпретация функции несклонности к риску.
Определение. ЛПР не склонен к риску, если он предпочитает получить наверняка ожидаемый выигрыш в любой невырожденной лотерее вместо участия в этой лотерее. В этой ситуации полезность ожидаемого выигрыша любой лотереи должна быть больше ожидаемой полезности этой лотереи. Таким образом, ЛПР не склонен к риску, если для любой невырожденной лотереи. u(E()) > E(u())
Один индивидуум более несклонен к риску, чем другой, если для предложенной лотереи надбавка за риск для первого индивидуума больше, чем для второго.
Теорема . ЛПР не склонен к риску тогда и только тогда, когда его функция полезности вогнута.
Следствие. ЛПР, который предпочитает получение наверняка ожидаемого выигрыша любой лотереи [x1,0.5; x2,0.5] (для любых неравных друг другу x1 и x2) участию в самой лотерее, не склонен к риску.
Свойства при возрастающих функциях полезности. Разумно полагать, что мера несклонности к риску должна быть связана со второй производной функции полезности u’’(x), так как
u’’(x)>0 ЛПР склонен к риску (выпуклость u)
u’’(x)=0 нейтральное отношение к риску (линейная u)
u’’(x)<0 ЛПР не склоненк риску (вогнутость u)
Один индивидуум более несклонен к риску, чем другой, если для предложенной лотереи надбавка за риск для первого индивидуума больше, чем для второго.
ЗАМЕТИМ, ЧТО u1 и u2 СТРАТЕГИЧЕСКИ ЭКВИВАЛЕНТНЫ
Для установления меры «несклонности к риску» необходимо учесть, чтобы такая мера:
1) указывала, что отражает функция полезности – несклонность или же, напротив, склонность к риску (т.е. включала u’’);
2) Была бы одинаковой для стратегически эквивалентных функций.
Если u1 и u2 стратегически эквивалентные функции, то
u2 = a + b u1, → u2’ = b u1’ u2’’ = b u1’’
u2’’/u2’ = u1’’/u1’
Таким образом, подходящей мерой является u’’/u’
Локальная несклонность к риску в точке x определяется с помощью функции несклонности
r(x)= - u’’(x)/ u’(x)
С вычислительной точки зрения полезно заметить, что r(x)= - (d/dx) [log u’(x)]
Комментарий: ≡ обозначает «тождественно равно» (не зависимо от значений переменных)
Теорема. Две функции полезности стратегически эквивалентны тогда и только тогда, когда они приводят к одной и той же функции несклонности к риску.
Док-во. Необходимость. Пусть u2 = a + b u1 u2’ = b u1’, u2’’ = b u1’’ . Тогда
r2(x) ≡ - u2’’(x) / u2’(x) = - (b u1’’(x)) / (b u1’(x)) = - u1’’(x) / u1’(x) ≡ r1(x)
Интерпретация функции несклонности к риску
Обозначим - первоначальное состояние, регистрируемое по шкале критерия X. Введем дополнительно - лотерею с ожидаемым выигрышем E()=0. Обозначим ) - надбавку за риск ЛПР к лотерее . В этих обозначениях можно показать, что
π(х_0,х ̃ )≈1/2 σ_х^2 r(х_0)
r(х_0)≈2 π(х_0,х ̃ )/(σ_х^2 )
Т.е. функция несклонности к риску равна удвоенной надбавке за риск, приходящейся на единицу дисперсии лотереи .