EssayAI
Блог
Блог
Гуманитарные науки

Принятие решений в условиях неопределённости

8 ноября 2026Время чтения: 8 минут
#принятие решений#неопределённость#матрица выплат#критерий вальда#критерий сэвиджа
Принятие решений в условиях неопределённости

Принятие решений в условиях неопределённости - это выбор действия, результат которого зависит от неизвестного состояния среды. Предприниматель решает, сколько товара заказать, не зная будущего спроса; студент выбирает проект, не зная сложности данных. Хороший расчёт не устраняет неизвестность, но показывает, какие допущения определяют ответ и что можно потерять в каждом сценарии.

Рассмотрим две стратегии на одном учебном примере. В калькуляторе меняется оценка вероятности высокого спроса: посмотрите, когда средняя прибыль одной стратегии становится выше другой. Числа условные и не являются прогнозом рынка.

Из чего состоит задача решения

Сначала определяют цель, доступные действия и состояния среды. Действие выбирает сам участник; состояние происходит вне его прямого контроля. Исход получается на пересечении действия и состояния. Его можно измерить прибылью, издержками, временем или полезностью, но внутри одной матрицы необходимо использовать одну единицу и один временной горизонт.

Пусть магазин сравнивает крупную закупку А и небольшую закупку Б. Спрос бывает низким или высоким; прибыль уже учитывает стоимость закупки, в тысячах рублей:

СтратегияНизкий спросВысокий спрос
А: крупная закупка20100
Б: небольшая закупка4070

При низком спросе лучше Б, при высоком - А. Поэтому назвать универсально лучший вариант по одной таблице нельзя: сначала нужно выбрать правило сравнения. В этой модели состояния для двух стратегий одинаковы, а обе выплаты известны условно. В реальной задаче и сами цифры могут быть приблизительными.

Золотой маркер проходит по большей ожидаемой прибыли: при вероятности высокого спроса 40 % линии пересекаются и предпочтение меняется.

Риск и неопределённость: что известно о вероятностях

В учебной экономике часто различают риск, когда вероятности сценариев заданы или обоснованно оценены, и неопределённость в узком смысле, когда надёжных вероятностей нет. На практике граница условна: эксперт может назвать субъективную вероятность, но это число тоже следует проверять и менять при анализе чувствительности.

Вероятности должны относиться к одному набору взаимно исключающих и исчерпывающих состояний и в сумме давать единицу. В примере высокий и низкий спрос - два возможных исхода модели. Если вероятность высокого спроса pp, то вероятность низкого равна 1−p1-p. Такая конструкция не доказывает, что промежуточного спроса не бывает: он просто не представлен в учебной таблице.

Источником оценки могут быть данные продаж, эксперимент или мнение специалиста. Важно записать, откуда взялась оценка и насколько она применима к новому периоду. Новая информация способна изменить её; механизм обновления показан в статье про формулу Байеса. Если источник ненадёжен, точная десятичная дробь создаёт лишь видимость точности.

Критерий Вальда: защита от худшего случая

Когда вероятность состояний не задана, один из подходов - максимин, или критерий Вальда. Для каждой строки находят минимальную выплату, затем выбирают наибольшую из этих величин:

Wi=min⁡jaij,W=max⁡iWi.W_i = \min_j a_{ij}, \qquad W = \max_i W_i.

Здесь aija_{ij} - прибыль стратегии ii при состоянии jj. Минимум А равен 20, минимум Б - 40. По максимину выбирают Б, поскольку её худший результат выше: 40 против 20 тысяч рублей. Это правило подходит, когда низкий результат неприемлем и защита от него важнее потенциального выигрыша.

Но максимин не сообщает, насколько вероятен худший случай, и не учитывает остальные выплаты после нахождения минимума. Если нижняя оценка в таблице слишком пессимистична или пропущено ещё более тяжёлое состояние, решение может измениться. Критерий оценивает защиту только относительно включённых сценариев, а не гарантирует безопасность вообще.

Критерий Сэвиджа: минимальное максимальное сожаление

Другой вопрос звучит так: насколько выбранная стратегия может отстать от лучшей, которую можно было бы выбрать, уже зная состояние? Это отставание называют сожалением. В каждом столбце вычитают выплату стратегии из максимальной выплаты этого столбца:

rij=max⁡kakj−aij.r_{ij} = \max_k a_{kj} - a_{ij}.

Для низкого спроса максимум равен 40, для высокого - 100. Получаем таблицу сожалений в тысячах рублей:

СтратегияНизкий спросВысокий спросМаксимум сожаления
А20020
Б03030

Минимаксное сожаление выбирает А: её наибольшее отставание от идеального выбора равно 20, у Б - 30. Оно отличается от максимина, потому что измеряет не абсолютную прибыль, а упущенную выгоду относительно лучшей строки в каждом столбце. Сожаление здесь расчётная величина, а не обязательная эмоциональная реакция. Результат также зависит от состава альтернатив: добавление стратегии может изменить столбцовые максимумы.

Ожидаемая прибыль и точка смены выбора

Если вероятность высокого спроса оценена и максимизация средней денежной прибыли соответствует цели, сравнивают взвешенные суммы исходов. Для любой стратегии:

Ei=∑jpjaij.E_i = \sum_j p_j a_{ij}.

В примере EA=20(1−p)+100p=20+80pE_A = 20(1-p)+100p = 20+80p, а EБ=40(1−p)+70p=40+30pE_Б = 40(1-p)+70p = 40+30p. При p=0,60p=0{,}60 получаем 68 и 58 тысяч рублей соответственно; по ожидаемой прибыли выбирают А. Это среднее по модели, а не сумма, которую магазин непременно заработает в одном периоде.

Приравнивая формулы, получаем 20+80p=40+30p20+80p=40+30p, то есть p=0,40p=0{,}40. При этой оценке обе стратегии дают по 52 тысячи; ниже 40 % выше средняя прибыль Б, выше - А. Точка пересечения полезна для анализа: если реалистичный диапазон оценки составляет от 30 до 50 %, небольшое изменение предположения меняет рекомендацию.

Ожидаемая прибыль стратегий А и Б пересекается при вероятности высокого спроса 40 процентов и равна 52 тысячам рублей
Ожидаемая прибыль стратегий А и Б пересекается при вероятности высокого спроса 40 процентов и равна 52 тысячам рублей

Ожидаемая прибыль уместна для нейтрального отношения к денежным исходам. Если убыток угрожает существованию организации, одну денежную среднюю недостаточно рассмотреть: добавьте ограничение на допустимый ущерб или оценивайте ожидаемую полезность. В ней взвешиваются полезности исходов, а не обязательно сами суммы. Последовательные решения с меняющимся состоянием требуют более богатой модели, например марковского процесса принятия решений.

Сколько может стоить информация

Предположим, что перед выбором можно бесплатно и безошибочно узнать будущий спрос. Тогда при низком спросе выбрали бы Б с прибылью 40, при высоком - А с прибылью 100. При p=0,60p=0{,}60 ожидаемая прибыль при идеальной информации составляет 0,4⋅40+0,6⋅100=760{,}4\cdot40+0{,}6\cdot100=76 тысяч рублей.

Без информации лучшая ожидаемая прибыль равна 68. Разница, 8 тысяч рублей, - ожидаемая ценность совершенной информации в данной модели. Она задаёт верхнюю границу разумной цены сигнала при тех же предпосылках: реальное исследование может ошибаться, а его результаты нужно успеть использовать до решения. Ценность информации зависит от того, может ли она изменить выбор; полезно сравнивать стоимость исследования с ожидаемым улучшением решения. Этот принцип рассматривается и в материалах MIT по анализу решений.

Как применить модель к своей задаче

Опишите решение и срок, затем перечислите действительно доступные действия, включая отказ или пробный запуск. Выделите несколько состояний, важных для результата, и заполните выплаты с учётом общих для всех вариантов затрат. Отдельно отметьте данные, которые измерены, и экспертные предположения. Не ставьте в одну строку прибыль за месяц, а в другую - за год.

Далее проверьте, есть ли обоснованные вероятности и выдерживает ли организация худший исход. Рассчитайте подходящий критерий и сравните его с альтернативными правилами: расхождение Вальда и Сэвиджа в примере не ошибка, а следствие разных целей. Измените наиболее сомнительные выплаты и вероятности; если выбор часто переключается, ищите информацию именно об этих параметрах или уменьшайте масштаб первого шага.

Наконец, зафиксируйте решение, предпосылки и дату пересмотра. Удачный исход сам по себе не доказывает, что исходный расчёт был хорошим, а неудача не обязательно делает его ошибочным: сравнивайте качество решения с информацией, доступной в момент выбора. На формулировку вариантов влияет эффект фрейминга, а внутри организаций согласование может идти не по строгой таблице: это помогает понять модель мусорной корзины.

Частые ошибки

  • Считать вероятности выдуманными фактами. Оценку нужно связать с источником и проверить диапазон, особенно около порога выбора.
  • Применять максимин к затратам как к прибыли. Для затрат предпочтительны меньшие значения; правило необходимо переформулировать с учётом направления критерия.
  • Путать сожаление с фактическим убытком. Сожаление - разница с лучшей выплатой в том же состоянии; прибыль при этом может оставаться положительной.
  • Выбирать среднее без проверки ограничений. Высокое ожидаемое значение не показывает вероятность разорительного исхода и не заменяет анализ ликвидности.
  • Считать список сценариев полным по умолчанию. Результат надёжен лишь в пределах представленной модели и качества её входных данных.

FAQ

Всегда ли максимин самый осторожный выбор?

Он максимизирует наихудшую выплату среди заданных состояний. Это консервативный подход, но его осторожность зависит от полноты сценариев и не учитывает, насколько вероятны худшие исходы.

Можно ли использовать критерий Сэвиджа без вероятностей?

Да. Для минимаксного сожаления нужны выплаты и список состояний; вероятности в формулу не входят. Сначала находят лучший результат в каждом столбце, затем максимальное сожаление каждой стратегии.

Что делать, если вероятности неизвестны?

Можно сопоставить максимин и минимаксное сожаление, задать диапазон правдоподобных вероятностей и изучить чувствительность. Равные вероятности допустимы как отдельное допущение, но не следуют автоматически из отсутствия данных.

Коротко

Решение при неопределённости начинается с матрицы действий, состояний и сопоставимых выплат. Максимин защищает от худшего результата, минимаксное сожаление ограничивает отставание от лучшего выбора в каждом состоянии, а ожидаемая прибыль использует вероятности. В примере критерии дают разные ответы; порог вероятности 40 % и ценность совершенной информации 8 тысяч рублей помогают увидеть, какая дополнительная оценка способна изменить решение.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Метод анализа иерархий Саати: пример расчёта

Метод анализа иерархий Саати: пример расчёта

Метод анализа иерархий Саати: как построить матрицу парных сравнений, рассчитать веса критериев, проверить согласованность и выбрать альтернативу на примере.

8 ноября 20269 минут
Метод реальных опционов: оценка гибкости проекта

Метод реальных опционов: оценка гибкости проекта

Метод реальных опционов помогает оценить управленческую гибкость инвестиционного проекта. Разбираем виды опционов и расчёт права ждать на числовом примере.

8 ноября 20269 минут
Построение дерева решений: пример расчёта

Построение дерева решений: пример расчёта

Как построить дерево решений для экономической задачи: узлы выбора и случайных событий, вероятности, расчёт ожидаемой прибыли и проверка чувствительности.

8 ноября 20268 минут
Партисипативное управление: формы и примеры

Партисипативное управление: формы и примеры

Партисипативное управление простыми словами: уровни участия сотрудников в решениях, формы и ограничения подхода, пример внедрения и способы оценки результата.

7 ноября 20267 минут
Релевантные затраты: как выбрать выгодное решение

Релевантные затраты: как выбрать выгодное решение

Релевантные затраты в управленческом учёте: критерии отбора, невозвратные и альтернативные издержки, формулы и подробный пример решения о специальном заказе.

7 ноября 20268 минут
Сценарное планирование: методы и пример для бизнеса

Сценарное планирование: методы и пример для бизнеса

Сценарное планирование помогает принимать решения при неопределённости. Разбираем матрицу сценариев, проверку стратегии, сигналы изменений и учебный пример.

7 ноября 20268 минут