MODELLI MATEMATICI PER I SISTEMI DI...
Transcript of MODELLI MATEMATICI PER I SISTEMI DI...
1
MODELLI MATEMATICI PER I
SISTEMI DI INFORMAZIONE
ALL’UTENZA:
introduzione ai processi di scelta discreta
in condizioni di rischio
Corso di
TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA
CIRCOLAZIONE
DOCENTI Agostino Nuzzolo ([email protected])
Antonio Comi ([email protected])
Pierluigi Coppola ([email protected])
Umberto Crisalli ([email protected])
Introduzione ai processi di scelta discreta
in condizioni di rischio
• Scelta discreta
• Reti stocastiche
• Modelli di decisione in condizione di rischio su reti
stocastiche
• Modelli di Expected Utility
2
Scelta discreta
Scelta tra un numero finito di alternative (ad esempio
scelta di un percorso tra n disponibili per andare da una
origine O ad una destinazione D)
3
Modelli di scelta (discreta) «di massima
utilità»
• Ipotesi comuni sul comportamento di scelta:
– L’utente i considera tutte le alternative disponibili ( ad es. che
permettono di andare da una origine O ad una destinazione D
– A ciascun alternativa k associa una utilità percepita, Uik, che è
funzione di attributi Xjk relativi all’alternativa k, (ad esempio il
tempo di viaggio ed il costo monetario)
– Sceglie l’alternativa ( ad es. di percorso) che percepisce di
massima utilità
4
i i i
k kj kjU (X ) X
Primo Principio di Wardrop (rivisto)
• Per una relazione O-D il costo (disutilità) percepito del
percorso utilizzato risulta minore o uguale al costo percepito di
ogni percorso non usato (rivisitazione del primo principio di
Wardrop)
5
Scelta discreta in condizioni di rischio
I risultati (eventi) delle alternative (ad esempio il tempo di
viaggio che si avrà sul percorso scelto) sono delle
variabili aleatorie e dunque il decisore non conosce a
priori il risultato della scelta che andrà a fare.
6
Esempi di scelta in condizioni di rischio
• Esempio 1
– Alternativa A: vincere 100 euro con probabilità p=1,0
– Alternativa B: vincere 60 euro con probabilità p= 0,5 oppure
200 euro con probabilità p=0,5
7
Reti stocastiche
Di solito nelle reti di trasporto gli attributi che caratterizzano le alternative
di viaggio non sono costanti (ad esempio il tempo di viaggio t è variabile
anche per ciascun percorso e a parità di flusso F). Le reti di trasporto con
attributi di arco, e quindi di percorso, variabili vengono dette reti
stocastiche.
La scelta tra le alternative di percorso su reti stocastiche si classifica come
scelta discreta in condizioni di rischio, in quanto l’utente non sa con
certezza quale valore dell’attributo sperimenterà durante il viaggio.
Es. relazione tempo medio-flusso e di densità di probabilità tempo con F=cost
8
t = (F)
(t)
(F)
F = cost
Modelli Expected Utility (EUM) (Von Neumann and Morgenstern, 1947)
Ipotesi:
• Il generico utente i considera tutte le alternative disponibili;
• Non conosce a priori quale risultato (evento) si realizzerà;
• Alla realizzazione di ciascun evento associa delle probabilità oggettive;
• A ciascuna alternativa k associa una utilità attesa (expected utility, EUik),
che è funzione lineare degli attributi Xikj che caratterizzano l’alternativa k e
delle relative probabilità pikj;
dove
− Xikj è il valore per l’utente i del j-esimo attributo X dell’alternativa k;
− pikj
(Xikj) è la probabilità oggettiva che si verifichi il valore Xi
kj
• (L’utente conosce esattamente i valori degli attributi ed i valori delle
relative probabilità)
• Sceglie quella che di massima (Expected Utility) EUik
9
ni i i i i
k kj kj j kj kjj 1EU p (X ) U (X )
Modelli di decisione in condizione di
rischio su reti stocastiche Esempio
Dati tre percorsi A, B e C, l’utente non sa con certezza quale sarà il tempo
che sperimenterà utilizzando uno dei tre. Ad esempio, i possibili valori di
tempo di viaggio sono due, con assegnate probabilità di verificarsi
10
T1 (minuti) T2 (minuti)
Percorso A 30 40
probabilità 0,70 0,30
Percorso B 20 50
probabilità 0,60 0,40
Percorso C 25 45
probabilità 0,40 0,60
(1/3)
EUiA = 30 * 0,7 + 40 * 0,3 = 33
EUiB = 20 * 0,6 + 50 * 0,4 = 32 L’utente i sceglie B
EUiC = 25 * 0,4 + 45 * 0,6 = 37
11
Esempio (2/3)
T1 (minuti) T2 (minuti) EU
Percorso A 30 40 33
probabilità 70% 30%
Percorso B 20 50 32
probabilità 60% 40%
Percorso C 25 45 37
probabilità 40% 60%
Generico utente i
dOD = 100 veicoli/ora
ni i i i i
k kj kj j kj kjj 1
i i i
kj kj kj
EU p (X ) U (X )
U (X ) X
1
Esempi di scelta in condizioni di rischio
• Esempio 1
– Alternativa A: vincere 100 euro con probabilità p=1,0
– Alternativa B: vincere 60 euro con probabilità p= 0,5 oppure
200 euro con probabilità p=0,5
Il modello EU ci dà:
– per l’alternativa A, EUA = € 100
– per l’alternativa B, EUB = €130
Il modello quindi ci indica l’alternativa B come alternativa scelta.
Tuttavia gli esperimenti indicano che un certo numero di persone
scelgono A ed altre B, non essendo rispettate tutte le ipotesi della
teoria dell’EU.
12
13
Esempio (3/3) dOD = 100 veicoli/ora
Dato questo risultato, sulla rete dovremmo avere • FA = 0 veicoli/ora
• FB = 100 veicoli/ora
• FC = 0 veicoli/ora
Perché nella realtà non scelgono tutti il percorso B?
Non tutte le ipotesi sono effettivamente rispettate. Cominciamo
con:
1. Uik non è lineare con Xi
k
2. Peso diverso tra Xik positivi e negativi
(guadagni e perdite)
3. Uso di probabilità distorte
Non-expected Utility model
o
Revised Expected Utility
Model (REUM)
Esempi di scelta in condizioni di rischio
• Esempio 2
- Alternativa A: perdere 100 euro con probabilità p=1,0
- Alternativa B: perdere 60 euro con p=0.5 e perdere 160 euro
con p=0.5
Applicando la EU dovremmo avere:
– per l’alternativa A, EUA = € 100
– per l’alternativa B, EUB = € 110
Il modello ci indica l’alternativa A come l’alternativa scelta.
Invece negli esperimenti si verifica che un certo numero di persone
scelgono A ed i rimanenti B. Inoltre che il numero di persone che
scelgono A in questo esempio 2 è minore di quello che sceglie A
nell’esempio 1 per l’avversione alla perdita.
14
Revised (Non-expected) utility models (1/2) Prospect theory (Kahneman e Tversky, 1979)
Dato un fenomeno aleatorio rappresentato da una sequenza di coppie (xj, pj), con
xj il j-esimo risultato e pj la corrispondente probabilità, si assume che l’utente
1. valuti il risultato delle alternative in termini di guadagni e perdite rispetto a
delle situazioni di riferimento, con funzioni di utilità non lineari:
con
– > 1 in accordo al principio di avversione alle perdite;
– ≤ 1 la funzione è concava per i guadagni
– β ≤ 1 la funzione è convessa per le perdite
15
i i
kj kji i
kj kj i i
kj kj
X se X 0U (X )
X se X 0
i
kjU
i
kjX
2. usi una funzione di ponderazione della probabilità specifica per guadagni,
w+(pj), e perdite, w-(pj):
16
j j
j j1 1
j j j j
p pw p w p
p 1 p p 1 p
w-(p) con = 0,69
Revised (Non-expected) utility models (2/2) Prospect theory (Kahneman e Tversky, 1979)
Cumulative Prospect Theory Rank-dependent expected utility model (Quiggin, 1982; Schmeidler, 1989)
17
Un modo corretto di utilizzare la funzione w(p) è il rank-dependent
expected utility model:
1. i risultati dell’evento sono ordinati in modo che
X1 … Xn
2. vengono calcolati i pikj :
pikj = w+ (p1 + …. + pj) – w- (p1 + …. + pj-1) ; j =2, …, n
con pik1 = w (p1 )
3. L’utilità attesa associata all’alternativa k dall’utente i, Yik, diventa
ni i i i
k kj kj kjj 1Y U (X )
p
Cumulative prospect theory
18
Per tener conto dei guadagni e delle perdite, la nuova utilità
associata all’alternativa k, Yik, diventa:
dove
• X1 , … , Xm sono i guadagni (valori positivi)
• Xm+1 , … , Xn sono le perdite (valori negativi)
• || > 1 in accordo al principio di avversione alle perdite che porta ad avere
sensitività maggiore alle perdite rispetto ai guadagni; dati sperimentali
suggeriscono | | ≈ 2
m ni i i i i i i
k kj kj kj kj kj kjj 1 j m 1Y U (X ) U (X )
p p
19
Cumulative prospect theory (1/2) Esempio: utilità attesa corretta di percorso
T1 (minuti) T2 (minuti)
Percorso A 30 40
probabilità 0,70 0,30
Percorso B 20 50
probabilità 0,60 0,40
Percorso C 25 45
probabilità 0,40 0,60
i i i
kj kj kj
con
U (X ) X
Solo perdite (solo disutilità di viaggio: tempo, costo monetario)
ni i i i
k kj kj kjj m 1Y U (X )
p
T1 (minuti) T2 (minuti) Yk ( = -2)
Percorso A 30 40 -68,2
probabilità 0,70 0,30
w(p) 0,59
w(p1+p2) 1,00
p 0,59 0,41
Percorso B 20 50 -68,9
probabilità 0,60 0,40 w(p) 0,52
w(p1+p2) 1,00
p 0,52 0,48
Percorso C 25 45 -74,3
probabilità 0,40 0,60
w(p) 0,39
w(p1+p2) 1,00
p 0,39 0,61 20
Cumulative prospect theory (2/2) Esempio: utilità attesa corretta di percorso
•
• pikj = w- (pm + …. + pj) – w- (pm + …. + pj-1) con j =2, …, n e pi
km = w (pm )
j
j 1
j j
pw p
p 1 p
= 0,69
L’utente i sceglie A (e non B come ottenuto con il
modello expected utility)
Modelli deterministici e probabilistici
• L’applicazione dei modelli di expected utility porterà ad
individuare una precisa alternativa scelta dall’utente e
pertanto diciamo che il modello è deterministico.
Come vedremo nel seguito i modelli probabilistici invece
assegnano ad ogni alternativa una probabilità di essere scelta.
21
dal Cumulative Prospect Theory al
Random R. E. Utility Modelling
• Poiché , e sono in generale variabili per uno stesso utente,
dobbiamo aspettarci che il risultato della scelta sia una variabile
aleatoria.
• Inoltre, per l’utente i dovremmo conoscere i valori che assumono
, , , X e p e come questi variano.
• Poiché gli utenti sono diversi, dovremmo conoscere questi
parametri per ogni utente (i = 1, …., 100; nel nostro esempio)
che si sposta da O a D.
Probabilistici REU model
22
23
MODELLI MATEMATICI PER I
SISTEMI DI INFORMAZIONE
ALL’UTENZA:
introduzione ai processi di scelta discreta
in condizioni di incertezza
Corso di
TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA
CIRCOLAZIONE
DOCENTI Agostino Nuzzolo ([email protected])
Antonio Comi ([email protected])
Pierluigi Coppola ([email protected])
Umberto Crisalli ([email protected])
Pensieri lenti e veloci (Kahneman, 2012)
• Esempio due segmenti (esempio 1)
• Esempio mazza e palla baseball (esempio 2)
• Difficoltà accettare modelli di pensiero lento
• Indisponibilità di valori dei possibili eventi e delle
relative probabilità
• Passaggio a modelli di scelta in condizioni di
incertezza:
– Fuzzy Utility
– Random Utility
24
Risposte in funzione del tipo di pensiero
• Esempio 1
Quale è il segmento più lungo?
Pensiero veloce: maggioranza di risposte A
Pensiero lento: uguali
27
Risposte in funzione del tipo di pensiero
• Esempio 2
Il prezzo di una mazza ed una palla da baseball è $ 1,10
La mazza costa $ 1,00 in più della palla
Quanto costa la palla?
28
Risposte in funzione del tipo di pensiero
• Esempio 2
Pensiero veloce: maggioranza la palla costa € 0,10
Pensiero lento: la palla costa € 0,05
palla + mazza = € 1,10
mazza = palla + € 1,00
palla + palla + €1,00 = 1,10
palla =€0,05 29
Decisione in condizioni di incertezza
• Quando i valori degli attributi e le relative probabilità
non sono date, ma il decisore usa valori e probabilità
soggettive, diciamo che la scelta dell’alternativa
avviene in condizioni di incertezza
• Per modellizzare le decisioni in condizioni di
incertezza, ci possiamo servire:
- della Fuzzy Set Theory (FS) e della Possibility Theory
(POST)
- della Random Utility Theory (RU)
30