ניתוח וקבלת החלטות
- 86 שאלות
- 31 תגובות
- 0% הושלמו
- equalizer סטטיסטיקות
- share שתף
מנהלים:
Discuss, Learn and be Happy דיון בשאלות
help
brightness_4
brightness_7
format_textdirection_r_to_l
format_textdirection_l_to_r
שימוש בכלל בורדה (BORDA) להחלטה קבוצתית:
1
| done |
The Borda Scoring Rule- בהינתן K אופציות, כל חבר קבוצה ידרג את האופציות לפי דעתו כך שהדירוג הראשון יקבל ציון K והדירוג האחרון יקבל ציון 1. לבסוף נסכום את כל הציונים ונבחר באופציה עם הציון הכי גדול (כלל האירוויזיון). כלל זה מפר! את הנחת ה-IIA- שהוא שההחלטה חייבת להיות חייבת להיות משוחררת מאלטרנטיבות שלא רלוונטיות לה. כלומר אם נוסיף או נחסיר אלטרנטיבות התוצאות הסופיות של הדירוג עלולות להשתנות. בנוסף אין מניעה שמישהו יבחר לבצע מניפולציה על תוצאות הדירוג במידה ויצביע בניגוד להעדפותיו האמיתיות.
לגבי שלילת סעיף א'- לא משנה באיזה סדר המדינות יצביעו (כלומר מי בא קודם) זה לא ישפיע על הדירוג הסופי (מניח שזו הייתה הכוונה)
מיין לפי
מהם היתרונות של רשת השפעה (influence diagram) לעומת עצי החלטה (Decision tree)?
1
| done |
יתרונות רשת השפעה: 1- anytime algolrithm- אפשר לעצור את בניית הרשת באמצע ועדיים לקבל תוצאות משמעותיות. 2- כלי יחסית אינטואיטיבי וחסכוני. התלויות וחוסר התלויות מוצגות בצורה מפורשת.<ins><del></ins> 3- למומחים קל לייצג את הסדר בין הצמתים ברשת.<ins></del></ins>
מיין לפי
לפי Prospect Theory של טברסקי וכהנמן:
1
| done | ||
הסבר לתשובה א': החידוש בתיאורה Prospect theory לפי טברסקי וכהנמן היא שיש הסתברויות חשובות יותר ויש הסתברויות חשובות פחות. מתברר שהערך שנותנים להסתברויות באמצע הוא לא כל כך גבוה ולעומת זאת שתי הקצבות (ההסתברויות שקרובות לאפס וההסתברויות שקרובות למאה אחוז) יש להם משקל יותר גבוה. ב' לא נכון כי- זו הגישה הנורמטיבית אבל טברסקי וכהנמן נותנים הסבר שונה לכך (שמתמקדת ברווח והפסד ביחס למצב מסויים). הסבר ל-ג' ב-prospect theory קיימים שני שלבים: שלב ראשון מקבל ההחלטות מחליט מהי נקודת האפס (reference point) שזהו בעצם חלק מתהליך ה-Framing ובשלב השני מבצעים הערכה של התוצאות הסופיות האפשריות.
חולה עם גוש בשד מגיעה לבדיקה אצל רופא המשפחה, אשר מעריך סיכוי של 1% לגידול ממאיר בשד. הוא שולח אותה לבצע בדיקת ממוגרפיה. לממוגרפיה 90% רגישות ו-90% מובהקות לגילוי גידול ממאיר בשד. מבחן הממוגרפיה חוזר עם תוצאה חיובית. הרופא מעריך שלחולה גידול ממאיר בסיכוי של כ-90% ושולח אותה לניתוח ללא בדיקה נוספת. לפי הנתונים הנ"ל אילו הטיות בשיפוט עלולות היו לגרום להערכת הרופא?
1
| mood |
התשובה היא ייצוגיות מכיוון שיש פה חוסר רגישות להסתברות מוקדמת (Insensitivity to prior probabilities) תחילה הרופא העריך את הסיכוי לגידול ב-1% אחוז ולאחר בדיקת הממוגרפיה שהחזירה שהתשובה חיובית ישנה חוסר רגישות לבדיקה הראשונה שהרופא ביצע והחליט ישר לשלוח אותה לניתוח ולא לבצע בדיקה נוספת למרות מה שחשב בהתחלה.
לסוכן מכירות לתרופות שמחפש נואשות לקוחות בבית חולים גדול צץ רעיון: הוא יכנס למחלקה הפנימית מאוחר בלילה. אם יש אור בחדר הרופאים (הסיכוי לדעתו: 0.6) יפתח את הדלת ואז הוא מעריך (בסיכוי של 0.2) שיפגוש לקוח פוטנציאלי, כלומר, רופא פנימי שמוכן שידבר איתו. אחרת (אם אין אור) יהיה עליו להחליט אם להישאר כל הלילה ליד חדר הרופאים ולקוות שיגיע לקוח פוטנציאלי (הסיכוי לכך לדעתו 0.05) או שיעזוב את המחלקה וילך לחדר המיון. אם יגיע למיון יש לדעתו סיכוי של 0.7 גם בלילה שימצא שם רופאים כלשהם. אם ימצא רופאים כלשהם, להערכתו, 30% מהם הם לקוחות פוטנציאליים. אם אכן יגיע למיון אך לא ימצא שם רופא כלשהו יהיה עליו להחליט אם ללכת למגרש החנייה ולחפש שם לקוח פוטנציאלי (הסיכוי לכך בשעת לילה הוא 10e-12) או ללכת לרחת האמבולנסים ולקוות שיגיע לשם לקוח פוטנציאלי (להערכתו הסיכוי לכך הוא 0.1). הסוכן לקח קורס בקבלת החלטות באוניברסיטת בן גוריון ולכן קיבל החלטות אופטימליות כדי להביא למקסימום את סיכוייו לפגישת לקוח פוטנציאלי באותו לילה (כלומר מציאת לקוח פוטנציאלי הוא 1 ואחרת היא 0) ואכן הוא מצא, בשלב כלשהו רופא פנימי שהיה מוכן לשוחח עימו! בהינתן עובדה משמחת זאת, מה הסיכוי שהיה אור בחדר הרופאים של המחלקה הפנימית?
1
| done | ||
פתרון ארוך.. הסבר כללי:
נשתמש בחוק בייס.
A- סיכוי לאור בחדר רופאים פנימית
B- הסיכוי שנמצא לקוח
אנחנו מחפשים את -P(A|B) לשם כך נשתמש בבייס
P(A)- נתון והוא שווה ל-0.6
P(B|A)- נתון והוא שווה ל-0.2
נשאר רק למצוא את P(B).
לשם כך נצייר את העץ עם ההסתברויות והחלטות לפי הסיפור. נשים לב שאיפה שבסיפור כתוב או זו צומת החלטה ללא הסתברות! וכדי לשים ערך בצומת החלטה נחשב את התוחלת בכל צומת הסתברות וניקח את הערך המקסימלי והוא יהיה בצומת החלטה! לבסוף נגלה ש-P(B) הוא 0.216. ואז נציב את כל הנתונים בנוסחת בייס ונקבל 0.55.
מיין לפי
המאפיינים של תופעת GroupThink כוללים:
1
| done | ||
א'- זה קשור Group polarization , ב'- קשור ל- Social Loafing ורק ג' קשור ל-GroupThink
קבלת החלטה קבוצתית לאחר דיון, כאשר היא מושווית לשימוש בתוצאה הממוצעת של כל הפריטים שמחליטים בנפרד לפני הגעתם לקבוצה מאופיינת ע"י:
1
| done | ||
מיין לפי
בהתייחס לטבלה שלהלן, אשר מראה את תוצאות חיזוי מזג האוויר בכל בכל המקרים שהחזאי נשאל לסיכוי לגשם. התוצאה במציאות הייתה גשם או שמש. לפי הנתונים הנ"ל מה ניתן לאמור על ידע החזאי ומידת הכיול (CALIBRATIOIN) שלו?
1
| done | ||
לא ניתן לקבוע כיול כי אין לנו סיכויים של מה שקרה בפועל.
לגבי דיוק:
K = M1-M2 מכאן נחשב את M1=(0.9+0.7+0.3+0.8+0.25)/5 = 0.59. לאחר מכן נחשב את M2 ו- 0.41= 5/(0.1+0.3+0.7+0.2+0.75) ולכן 0.59-0.41 = 0.18
מיין לפי
מהנדסת מערכות תומכות החלטה נתבקשה לייצג על ידי רשת הסתברותית ביסיאנית (Belief Networks) מספר סוגי מודיעים מסחרי שנאספים ע"י החבר, כגון מידע על רוויון השוק, מידע על הסיכוי שהמתחרה העיקרית מפתחת מוצר דומה, סקרי שווקים שוני שיבוצעו, פליטות פה של מנהלי החברה המתחרה העיקרית לעיתונות ועוד. המטרה- להעריך מה הוא המוצר שמנסה החבר המתחרה לפתח. כחלק מפיתוח המודל שלה שרטטה המהנדסת את המודל הבא שבתמונה. מי מהביטויים הבאים יופיע כחלק מהביטוי שמייצג את ההסתברות של הופעת A,B,C,D,E ביחד?
1
| done | ||
לפי הרשת נייצג הסתברות של כל אות ובמה היא מותנת ונראה שמהאופציות המוצגות רק P(D|B,C) מתאים