3/19/2017

Certainty assumption 
 Decision making when the consequences of 
alternative decisions are known with a reasonable 
Decision Analysis
Decision Analysis degree of certainty
 Optimization model:  OF  specify the estimated 
1. Decision analysis under uncertainty consequences of any combination of decisions 
(Alternatives!)
2. Decision analysis under Risk
 If  consequences cannot be predicted with complete 
3. EMV certainty, sensitivity analysis
t i t iti it l i
4. Decision trees  Decisions often must be made in environments with 
5. Utility theory uncertainty

Uncertainty Some Examples
1. A contractor bidding on a new contract. 
Decision: carry an umbrella   What will be the actual costs of the project? 
or not
or not  Which other companies might be bidding? 
Return or Outcome :  get   What are their likely bids?
wet or not 
2. An agricultural firm selecting the mix of crops and 
The outcome depends on 
livestock for the upcoming season. 
what action nature takes
 What will be the weather conditions? 
 Where are prices headed?  What will costs be?
The returns accrue only to 
the decision maker.  3. An oil company deciding whether to drill for oil in a 
Nature does not care what  particular location. 
 How likely is oil there? How much?
the outcome is
 How deep will they need to drill? 
 Should geologists investigate the site further before drilling?
3 4

1
 3/19/2017

Components of Decision Making Payoff table
 An individual decision–maker (DM)
 Data for decision analysis problem can be represented in 
 A 'States of Nature' (a set of possible scenarios)  “A 
a payoff table
a payoff table 
state of nature is an actual event that may occur in  Payoff table for the decision analysis
the future”
 A finite number of possible decision alternatives 
(i.e., actions) is available to the DM. Only one action 
may be taken.
 The return of a decision, called Payoff.  “A payoff table 
is a means of organizing a decision situation, including 
the payoffs from different decisions, given the various   Choosing a specific decision depends upon the DM either 
states of nature” if he/she is a risk averse or a risk taker
 Decision making according to an appropriate criterion
5 6

Cases Cases
 Decision are made under four types of environment  3.  Under  condition of risk: 
 1.  Under condition of certainty:   More than one state of nature exist

 only one state of nature exist for each alternative  DM has sufficient knowledge to allow him assign 
probabilities to various state of nature
 there is a complete certainty about the future:
 4.  Under condition of conflict/ partial uncertainty
 choose alternatives with max. payoff
 Two (or more) opponents with conflicting objectives try to 
 2. Under condition of uncertainty make decisions with each trying to gain at the cost of the 
 More than one state of nature exist other(s).
 DM lacks sufficient knowledge to allow him assign 
DM l k ffi i t k l d t ll hi i  Two players struggling to win chess, firms struggling to 
Two players struggling to win chess firms struggling to
probabilities to various state of nature maintain market shares, two enemies planning war tactics
 Decision maker is working against an intelligent  opponent
 Theory of games

7 8

2
 3/19/2017

Decision making under uncertainty Example / uncertainty
 DM has absolutely no knowledge, not even about the likelihood of   Company   X owns a land that may contain oil.
occurrence for any state of nature 
 Because of this an oil company has offered to purchase the 
 In such situations, the decision‐maker's behavior is purely based on 
I h it ti th d i i k ' b h i i l b d
his/her attitude toward the unknown: 
land for $90,000. 
 Some Criteria :  However, Company X is considering holding the land in 
 Criterion of pessimism, or conservative:  (Maximin or Minmax) order to drill for oil itself. If oil is found, the company’s 
 Earn no less (or pay no more) than some specified amount  expected profit will be approximately $700,000.  A loss of 
 Criterion of optimism, or aggressive (MaxiMax or MiniMin) $100,000 will be incurred if the land is dry (no oil).
 Not to miss opportunity to achieve the largest possible profit 
pp y g p p  Decision of whether to drill or sell based just on these data
(maximax) or lowest possible cost (minimin) 
 Minimum Regret: (Savag's Opportunity Loss)  Decision  State of nature 
Oil  Dry 
Drill for oil $700,000  ‐$100,000 
Sell the land $90,000  $90,000 
9 10

Maximin payoff criterion Maximin payoff criterion

 Maximin payoff criterion:   Pessimistic viewpoint:  the worst state of nature for 
 For each possible action, find the minimum payoff over  that action is likely to occur, so we should choose the 
all possible states of nature. Next, find the maximum of  action which provides the best payoff with its worst 
these minimum payoffs. Choose the action whose  state of nature
minimum payoff gives this maximum.  Conservative criterion , very cautious DM 
 In our example:
 Rationale : it provides the best guarantee of the 
 The minimum payoff for the first decision "Drill for oil" is  payoff that will be obtained
$100,000 and that for the second decision 
‐$100,000 and that for the second decision "Sell
Sell the 
the
land" is $90,000. 
 Decision:  "Sell the land" as it has the maximum of the 
minimum payoffs

11 12

3
 3/19/2017

Maximax criteria Minimum Regret

 Maximax : optimistic (max payoff for each alternative   Intends to minimize regret 
and choose the alternative with max payoff within the   The steps are summarized as 
p
group)  a. From the given payoff matrix, develop an opportunity 
 In our example : it will be $700,000 – loss (or regret) matrix as follows : 
 i. Find the best payoff corresponding to each state of nature 
 ii. Subtract all other entries (payoff values) in that row from this 
value. 
 b. For each course of action identify the worst or 
maximum regret value. 
 c. Select the course of action with the smallest 
anticipated opportunity‐loss value

13 14

Risk and Uncertainty Risk components
 Uncertainty:  a random chance that something   Each risk has a  probability of occurring and 
will happen, with no way to control whether it  possible outcomes (impacts) if it does occur
p ( p )
happens
 Risk has two primary components:
 Risk:  an uncertain event or condition that could 
 A probability (likelihood) of occurrence of that 
negatively impact project performance
event
 Common definition of risk : ’the threat or 
possibility that an action or event will adversely  Impact of the event occurring (amount at stake)
or beneficially affect an organization
or beneficially affect an organization’ss ability to 
ability to
achieve its objectives.’   (many other defn.) Risk = f(likelihood, impact)

15 16

4
 3/19/2017

Decision making under Risk Example/ Risk
 Decision making under risk   Company   X owns a land that may contain oil.
 A probabilistic decision situation   A geologist has reported to management that he/she 
g g p g /
 The decision maker has sufficient information to assign  believes there is a chance of 25% of oil.
probability values to the likely occurrence of each of the   Because of this an oil company has offered to 
various possible states 
purchase the land for $90,000. 
 Criteria for evaluating various alternatives under risk:  
 However, Company X is considering holding the land 
 Maximum likelihood criterion
in order to drill for oil itself. If oil is found, the 
 Expected Monetary Value (EMV) or Expected Return: 
Expected Monetary Value (EMV) or Expected Return: company’s expected profit will be approximately 
 Expected Opportunity Loss $700,000.  A loss of $100,000 will be incurred if the 
land is dry (no oil).

17 18

Payoff table for the Company X Maximum Likelihood Criterion
Decision  State of nature   Maximum likelihood criterion:
Oil
Oil  Dry
Dry   Identify the most likely state of nature (the one with the 
largest prior probability). 
Drill for oil $700,000  ‐$100,000 
 For this state of nature, find the action with the 
Sell the land $90,000  $90,000  maximum payoff. 
Chance of state  0.25 0.75  Choose this action.
 Applying to our example:
 The Dry state has the largest prior probability. In the Dry 
The Dry state has the largest prior probability In the Dry
The given probabilities are prior probabilities
column, the sell alternative has the maximum payoff, so 
the choice is to sell the land.
Prior probabilities are subjective (experience or intuition) 

19 20

5
 3/19/2017

Maximum Likelihood Criterion The Expected Return: Bayes’ decision rule
 Rationale: the most important state of nature is the   Expected Monetary Value ( EMV)
most likely one, so the action chosen is the best one   Most common /rational approach
 Using the best available estimates of the probabilities of 
U i th b t il bl ti t f th b biliti f
for this particularly important state of nature. the respective states of nature, calculate the expected 
 Drawback: it completely ignores much relevant  value of the payoff for each of the possible actions. Choose 
information.  the action with the maximum expected payoff.

 No state of nature is considered other than the most 
likely one. (In a problem with many possible states of 
nature, the  probability of the most likely one may be 
nature the probability of the most likely one may be  Where m = number of possible alternatives 
quite small)  pi = probability of occurrence of alternative i
 pij = payoff associated with state of nature Ni and alternative 
Sj

21 22

The Expected Return The Expected Return
 For the example:   Advantage:  it incorporates all information, the 
 E[Payoff (drill)] = 0.25(700)  + 0.75(‐100)=  100 payoffs and the best available estimates of states of 
 E[Payoff (sell)]  = 0.25(90)  +  0.75(90)  =   90 nature (prob.)
 Since 100 is larger than 90, the alternative action   Drawback: There is no accurate way of predicting the 
selected is to drill for oil. future, including a future state of nature
 Note that this choice contrasts with the two preceding   Under many circumstances, past experience and current 
criteria. evidence enable one to develop reasonable estimates of 
the probabilities
the probabilities

23 24

6
 3/19/2017

The Expected Opportunity loss Sensitivity analysis
 An alternative approach to maximizing EMV is to   To assess the effect of possible inaccuracies in the 
minimize expected opportunity loss (EOL) prior probabilities, it often is helpful to conduct 
 EOL (or expected value of regrets)  sensitivity analysis
 The course of action that minimizes the losses or   Sensitivity analysis:  study the effect of some of the 
reduction is the optimal decision alternative. parameters in the mathematical model
 Procedure:  subtracting the payoff from the maximum   Example:  
payoff for each event and calculate EOL for each   The true prior probability of having oil is likely to be in 
alternative and select the min among the alternatives
alternative and select the min among the alternatives th
the range from 0.15 to 0.35, so the corresponding prior 
f 0 15 t 0 35 th di i
probability of the land being dry would range from 0.85 
to 0.65 (sum =1.0)

25 26

Sensitivity analysis Sensitivity analysis
 Evaluate Expected Payoff  (EP):   Further analysis
 Prior probability of oil at the lower end (0.15)
 If  p = prior probability of oil,
If p = prior probability of oil
 E[Payoff (drill)] = 20
 The expected payoff from drilling for any p is
 E[Payoff (sell)] =  90        Thus,   EV =90
 When it is at the upper end (0.35)  E[Payoff (drill)]=700*p – 100*(1 ‐ p)=  800*p‐
 E[Payoff (drill)] = 180      Thus,  EV = 180 100
 E[Payoff (sell)] =  90  plot of this expected payoff versus p,
 The decision swings over
The decision swings over  The payoff from selling the land would be 90 for 
The payoff from selling the land would be 90 for
 The decision is very sensitive to the prior probability any p

27 28

7
 3/19/2017

Sensitivity analysis Sensitivity analysis
EP   for each alternative action when the prior probability of oil   Because the decision Company x should make 
changes  depends so critically on the true probability of oil, 
crossover point
crossover point
serious consideration should be given to conducting 
an investigation
E[Payoff (drill)] =  E[Payoff 
(sell)]   Before deciding whether to drill or sell, another option 
800p – 100 =  90 is to conduct a detailed seismic survey of the land to 
p = 0.2375
Conclusion:
obtain a better estimate of the probability of finding 
Sh ld ll h l d if
Should sell the land if         oil
oil. 
p <0.2375  A case of decision making with experimentation : 
Should drill for oil if             necessary additional data will be provided.
p  > 0.2375

29 30

Decision making under Risk Decision making with experimentation
 Decision making between the cases of :   Additional testing (experimentation) : improve the 
 without experimentation (make the decision 
without experimentation (make the decision preliminary estimates of the prior probabilities
immediately)  Improved estimates are called posterior probabilities.
 with experimentation (first do some testing at   In our example, conduct a detailed seismic survey of 
some expense to reduce the level of uncertainty  the land to obtain a better estimate of the probability 
about the outcome of the decision) of oil. 
 The cost is $30,000

31 32

8
 3/19/2017

Posterior Probabilities Posterior Probabilities
 A seismic survey indicate whether the geological structure   In general terms, 
is favorable to the presence of oil.
 n = number of possible states of nature;
 The possible findings of the survey  (two states of nature):
Th ibl fi di f h ( f )
 P(State = state i)  prior probability that true state of 
 Favorable Seismic Surrounding , FSS (oil is fairly likely); 
nature is   state i, for i 1, 2, . . . , n;
 Unfavorable Seismic Surrounding USS (oil is fairly unlikely)
 Finding  = finding from experimentation (a random 
 From past experience:
variable);
 if there is oil such seismic study were encouraging (favorable) 
60% of the time and they were discouraging (unfavorable)   Finding  j  = one possible value of finding;
40% of the time.  P(State =  state i/Finding  = finding j) =  posterior 
P(State = state i/Finding = finding j) = posterior
 If there is no oil such seismic study were encouraging  probability that true state of nature is state i, given that 
(favorable) 20% of the time and they were discouraging 
(unfavorable) 80% of the time
Finding  finding j, for i 1, 2, . . . , n.

33 34

Bayes’ theorem Apply Bayes’ theorem to example 
Standard formula of probability theory:   If the finding of the seismic survey is unfavorable seismic 
soundings (USS), then the posterior probabilities are:

 Similarly, if the seismic survey gives favorable seismic 
 Therefore, for each i
Therefore, for each i 1, 2, . . . , n, the desired formula for the 
1, 2, . . . , n, the desired formula for the soundings (FSS), then
di (FSS) th
corresponding posterior probability is : 

35 36

9
 3/19/2017

Probability tree diagram Posterior probabilities 
Calculation 
organized   Bayes’ decision rule using posterior probabilities:
Input data Col1 *Col2 Cal. PP column‐wise   Expected payoffs if finding is unfavorable seismic 
soundings (USS):
 E[Payoff (drill/Finding= USS)]  =1/7(700)+6/7(‐100) ‐ 30 = ‐15.7
 E[Payoff (sell/Finding= USS)] =1/7(90) +6/7 (90) ‐ 30      = 60 
 Expected payoffs if finding is favorable seismic soundings 
(FSS):
 E[Payoff (drill/Finding= FSS)]  =1/2(700) + 1/2(‐100) ‐ 30 = 270
 E[Payoff (sell/Finding= FSS)] =1/2 (90) +1/2 (90) ‐ 30      = 60 

 Subtracting  the cost of the experimentation

37 38

Optimal policy  Value of experimentation
 The optimal policy with experimentation:  One method: Expected Value of Experimentation (EVE)
Finding from  
g Optimal 
p Expected Payoff  
p y Expected Payoff  
p y  EVE = expected payoff with experimentation  ‐ expected 
Seismic  Action  Including Cost of  excluding Cost of  payoff without experimentation
Survey Survey  Survey   E(Payoff/Finding = USS)=  90
 E(Payoff/Finding = FSS)  =300 already calculated
USS Sell the  60 90
 P(USS) = 0.7, P(FSS) = 0.3
land 
FSS  Drill for oil  270 300  Expected payoff with experimentation  = 0.7(90)  + 
( )
0.3(300) = 153
 Value of Experimentation  Thus, EVE = 153 ‐ 100
 The analysis does not answer : whether it is worth spending   Since this value exceeds 30, the cost of conducting a 
$30,000 to conduct the experimentation (the seismic survey)
detailed seismic survey should be done

39 40

10
 3/19/2017

Decision trees
 Helpful  when a sequence of decisions must be made
Decision Trees  Decision trees useful:
 visually displaying the problem
 Organizing the computational work
 Our example involves a sequence of two decisions:
 1. Should a seismic survey be conducted before an 
action is chosen?
 2. Which action (drill for oil or sell the land) should be 
chosen?
 Draw the tree

41 42

Decision trees Decision trees
The decision tree (before including any numbers) example  Symbols: 
 Nodes ( forks) and
 Arcs (branches)
 A decision fork : represented by a square , a decision 
needs to be made
 A chance fork, represented by a circle, a random event 
occurs at that point
 The path followed from start (fork a ) to any terminal 
The path followed from start (fork a ) to any terminal
branch is determined both by the decisions made and 
by random events

43 44

11
 3/19/2017

Decision tree with numbers
Decision trees
 Numbers in the tree:
 Numbers  under or over the branches : cash flows
 Probability are in parentheses along branches
 For each path from node a to a terminal branch, the 
numbers are added to obtain the resulting total payoff 
 For chance fork  h, the probabilities are prior 
probabilities
 For chance fork
For chance fork f, g, the probabilities are posterior 
f g the probabilities are posterior
probabilities, given the finding from the seismic survey

45 46

Decision trees Decision trees
 Analysis steps:  For chance forks f, g, and h :
 1. Start at the right side of the decision tree and move 
left one column at a time.
 2. For each chance fork, calculate its expected payoff
 Record this expected payoff for each fork in boldface 
next to the fork
 3. For each decision fork, compare the expected payoffs   For decision forks c, d, and e
of its branches and choose the alternative whose branch   Fork c:   Drill alternative has EP 
Fork c: Drill alternative has EP = ‐15.7
15.7
has the largest expected payoff  Sell alternative has EP = 60
 4. In each case, record the choice on the decision tree   60 > ‐ 15.7, so choose the Sell alternative
by inserting a double dash as a barrier through each   Do the same for fork d and e
rejected branch
47 48

12
 3/19/2017

Decision trees Decision trees
 For fork b :
 EP = 0.7(60) + 0.3(270) = 123,   
 Finally,  fork a
 Do seismic survey has EP =  123 The final decision 
 No seismic survey has EP =  100 tree that records 
the analysis
 123 > 100, so choose:  Do seismic survey

49 50

Decision trees Software: Treeplan
 Following the open paths from left to right the   TreePlan is a software, an excel add‐in to build decision trees in Excel. 
It was developed by Prof. Michael Middleton, Univ. SF, California   (info 
Optimal policy: and demo version: www treeplan com )  Free: academic version
and demo version:   www.treeplan.com ) Free: academic version
 Do the seismic survey
 If the result is unfavorable, sell the land
 If the result is favorable, drill for oil
 The expected payoff (including the cost of the seismic 
survey) is 123 ($123,000).
 Backward  induction procedure
Backward induction procedure

51 52

13
 3/19/2017

Utility theory
 Assumption : expected payoff in monetary terms is 
Utility theory the appropriate measure for DA.
 Assumption  appropriate? 
 Some examples:
 Ismamalehu/Alsmamam? 
 (1) Accepting a 50:50 chance of winning 10,000 Birr or 5 Birr
 (2) receiving  Birr 4,000 with certainty  (Bank)
 A company not willing to invest in a new product even 
when the expected profit is substantial if there is a risk 
h th t d fit i b t ti l if th i ik
of losing its investment/bankrupt
 Contrary to Bayes’ decision rule!   Paradox: Utility 
theory !
53 54

Example 1 : investment problem The Meaning of Utility
Payoff table
 Utilities are used when the decision criteria must be based 
on more than just expected monetary values
on more than just expected monetary values.
Decision  State of Nature
 Utility is a measure of the total worth of a particular 
Alternatives Prices Up, S1 Prices Stable, S2 Prices Down, S3 outcome, reflecting the decision maker’s attitude towards a 
Investment A, d1 $30,000 $20,000 ‐50,000 collection of factors.  (Some of these factors may be profit, 
loss, and risk.)
Investment B, d2 50,000 ‐20,000 ‐30,000
 Define a utility function that would reflect individual’s 
Investment C, d3 0 0 0 preference
P(S1) = 0.3
)=03 P(S2) = 0.5
)=05 P(S3) 
) = 0.2
 0.2  Utility theory is based on rationality and maximization of
Utility theory is based on rationality and maximization of 
utility
EV(d1) = $9,000 EV(d2) = ‐$1,000 EV(d3) = $0  Maximizing someone’s utility automatically determines 
his/her preferred options
Alt. 1 (d1) is the rational decision
 In economics, ‘Utility’ means the satisfaction obtained from 
Rationality assumption: humans always seek the best alternative  consuming a commodity. 
55 in a set of possible choices 56

14
 3/19/2017

Utility function Utility function
 Utility determination is subjective (depends on 
A typical utility function for money
attitude to risk)  Utility function (UF)  
Utility function (UF)
 Utility theory approach determine utility function (UF)  may not be a linear 
for a decision maker  function of income 
 UF converts money into an arbitrary utility measure  or wealth
(Each $ is not equally valuable to an individual) Note in the graph:
 Utility $30,000  is 
only twice as much
only twice as much 
as the utility of 
$10,000

57 58

Utility theory Utility Functions
 Attitude toward risk: 
Utility
 Risk‐averse : (the above graph): a concave utility function 
 A decreasing marginal utility for money:  decreasing slope of 
A decreasing marginal utility for money: decreasing slope of 100
the function as the amount of money increases.  Risk avoider
 Individuals purchasing insurance exhibit risk avoidance  80
behavior
 Risk seekers  : function is convex 60
 The slope of their utility function increases as the amount of 
money increases, so they have an increasing marginal utility  40
for money.
 Risk‐neutral :  20 Risk taker
 individual’s utility for money is simply proportional to the 
amount of money involved
 expected utility is equal to expected return -60 -40 -20 0 20 40 60 80 100
Monetary Value (in $1000’s)

59 60

15
 3/19/2017

Steps for Determining the Utility of Money
Utility theory
 Attitude  toward risk 
Step 1:  
 exhibit a mixture of these kinds of behavior
Develop a payoff table using monetary values
Develop a payoff table using monetary values.
 can shift over time
 can vary when dealing with one’s personal finances and 
an organization Step 2:  
 UF for money has an important implication for  Identify the best and worst payoff values and assign
decision making in the face of uncertainty each a utility value, with
 When a UF for money is incorporated into a decision  U(best payoff) > U(worst payoff).
( p y ) ( p y )
analysis approach to a problem, it must be 
Example 1: 
constructed to fit the preferences and values of the 
decision maker Best payoff     =  50,000
Worst payoff  =‐50,000

61 62

Steps for Determining the Utility of Money
Example 1 : investment problem
Step 3:  
Payoff table For every other monetary value M in the payoff table:
3a: Define the lottery. The best payoff is obtained
3a:  Define the lottery.  The best payoff is obtained 
Decision  State of Nature with probability p; the worst is obtained with 
Alternatives Prices Up, S1 Prices Stable, S2 Prices Down, S3 probability (1 – p).
Investment A, d1 $30,000 $20,000 ‐50,000
Investment B, d2 50,000 ‐20,000 ‐30,000
Investment C, d3 0 0 0
Lottery: obtains a payoff of $50,000 with 
P(S1) 
) = 0.3
 0.3
probability of p and a payoff           ‐$50,000 
P(S2) = 0.5
)=05 P(S3) = 0.2
)=02
with probability of (1‐p)
EV(d1) = $9,000 EV(d2) = ‐$1,000 EV(d3) = $0

63 64

16
 3/19/2017

Steps for Determining the Utility of Money
Example :  step 3a 3b:  Determine the value of p such that the decision 
 Consider a gambling situation in which an individual is  maker is indifferent between a guaranteed 
offered two alternatives involving three outcomes: $  payoff of M and the lottery defined in step 3a.
5,000, $2,500, $0 3c:  Calculate the utility of M:
 (i) guaranteed  cash of $2,500 U(M) = pU(best payoff) + (1 – p)U(worst payoff)
 (iI) winning $5,000 with p=0.5 and $0 with(1‐P)=0.5
 Assume she/he opts for (i), decrease (i) to $2,000,  Step 4:  
decrease (i) until the individual is indifferent to the two  Convert the payoff table from monetary values to utility 
alternatives ( say $1,000). This point is called the  values.
certainty monetary equivalent (CME) of the gamble.
 Utility of $1,000 with p=1.0 and utility of $5,000 with 
Step 5:
p=0.5 and nothing with p=0.5 becomes equal
Apply the expected utility approach to the utility table 
developed in step 4, and select the decision alternative with 
65 66 the highest expected utility.

Expected Utility Approach Example 2
 The following UF is given for the DM in Example 1
 Once a utility function has been determined, the 
optimal decision can be chosen using the expected 
ti l d i i b h i th t d UF of the DM
utility approach.   M U(M) 12
‐50 0 10
 The utility corresponding to each state of nature is 
‐30 4
multiplied by the probability for that state of nature.   8

Utility
‐20 5.5
6
 The sum of these products for each decision alternative  0 7.5
4
represents the expected utility for that alternative.
represents the expected utility for that alternative.  20 9
30 9.5 2
 The decision alternative with the highest expected  0
50 10
utility is chosen. ‐50 ‐30 ‐20 0 20 30 50
Money in thousands of Birr

67 68

17
 3/19/2017

Applying Utility Theory to Company x 
Example 2: investment problem example
Decision  State of Nature  Company X was operating without much capital, so a 
Alternatives Prices Up, S1 Prices Stable, S2 Prices Down, S3 loss of $100,000 would be quite serious (already has 
Investment A, d1 $30,000 $20,000 ‐50,000 gone heavily into debt to keep going) 
Investment B, d2 50,000 ‐20,000 ‐30,000
 The worst‐case scenario would  be to come up with 
Investment C, d3 0 0 0
$30,000 for a seismic survey and then still lose 
P(S1) = 0.3 P(S2) = 0.5 P(S3) = 0.2
$100,000 by drilling when there is no oil (bankrupt !) 
Utility table.
 On the other hand, striking oil is an exciting 
Decision  State of Nature
Alternatives prospect, earning  $700,000  (solid financial footing)
t i $700 000 ( lid fi i l f ti )
Prices Up, S1 Prices Stable, S2 Prices Down, S3
Investment A, d1 9.5 9 0
Investment B, d2 10 5.5 4
Investment C, d3 7.5 7.5 7.5
69 EU(d1) = 7.35 EU(d2) = 6.55 EU(d3) = 7.5 70

Applying Utility Theory Note:
 u(M) essentially equals 
 Apply the Expected Utility Approach
M for small values
 Suppose the following is given as UF of the DM:
pp g g
 u(M) gradually falls off 
(M) d ll f ll ff
Monetary  utility M for larger values of 
Payoff
M. 
‐130 ‐150
 This is typical for a 
‐100 ‐105
moderately risk‐averse
60 60
90 90
670 580
 How  are these values obtained ?  Read lecture 
700 600
notes
71 72

18
 3/19/2017

Exercise (class work)
 Apply the utility table (utility function) developed  Payoff utility
p y
for Company X and determine the rational 
decision. ‐130 ‐150
 (select the decision alternative with the highest  ‐100 ‐105
expected utility)
60 60

90 90
 Considering the Utility the best decision is :
C id i h U ili h b d i i i 670 580
 No seismic survey and sell the land ???
700 600

73 74

Summary
 Decision analysis : an important technique for decision 
making in the face of uncertainty.
 It requires:  enumerating all the available courses of 
It requires: enumerating all the available courses of
action, identifying the payoffs for all possible 
outcomes, and quantifying the subjective probabilities for 
all the possible random events
 The analysis can incorporate to perform experimentation 
to obtain better estimates of the probabilities of the 
possible states of nature
 Decision trees are a useful visual tool for analyzing this 
Decision trees are a useful visual tool for analyzing this
option or any series of decisions
 Utility theory provides a way of incorporating the decision 
maker’s attitude toward risk into the analysis

75

19