주관적 기대효용

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.

1. 개요
2. 효용 함수
3. 예시
4. 기대효용 극대화
참조

1. 개요

주관적 기대효용은 의사 결정자가 합리성의 공리를 따르고 불확실한 사건에 대해 주관적인 효용과 확률을 가질 때, 효용의 기댓값으로 설명될 수 있다. 효용 함수를 통해 나타낼 수 있으며, 주사위 던지기 예시를 통해 주관적인 가치 판단에 따라 같은 기댓값을 가질 수 있음을 보여준다. 기대효용 극대화는 불확실한 상황에서 평균 효용이 가장 큰 행위를 선택하는 것을 의미한다.

더 읽어볼만한 페이지

기대효용 - 기대효용가설
기대 효용 이론은 불확실한 상황에서 의사 결정을 설명하기 위해 20세기 초부터 발전해 온 이론으로, 개인의 선호를 수학적으로 모형화하여 효용 함수를 통해 합리적인 의사 결정 과정을 설명하고, 기대 효용을 극대화하는 선택을 한다고 가정하지만, 현실과의 불일치로 인해 비판과 대안 이론이 제시되었다.
사회철학 - 변증법
변증법은 고대 그리스에서 시작되어 철학적 방법론으로 발전했으며, 헤겔은 사유와 현실의 자기운동에 대한 보편적 합법칙성으로, 마르크스는 유물론적으로 재해석하여 자연, 사회, 사유의 일반적 운동법칙으로 확립했다.
사회철학 - 공동체주의
공동체주의는 개인보다 공동체의 역할을 강조하는 정치 철학으로, 자유주의에 반대하며 사회 자본과 시민 사회 제도를 강화하려 한다.

주관적 기대효용
주관적 기대효용
개요
유형	의사 결정 이론
분야	경제학, 철학, 경영 과학, 심리학, 게임 이론, 인공지능
관련 개념	기대 효용 이론 합리적 선택 이론 결정 이론 위험 회피 앨리스 패러독스 엘스버그 패러독스
상세 내용
설명	주관적 기대효용(Subjective expected utility, SEU)은 사람들이 불확실한 결과가 있을 때 위험한 선택을 하는 방식을 설명하는 의사 결정 이론이다. 이 이론은 사람들이 각 결과의 주관적 확률과 결과의 주관적 효용을 곱하여 선택의 주관적 효용을 계산한다고 가정한다. 그 후 사람들은 주관적 효용이 가장 높은 선택을 한다.
역사	주관적 기대효용 이론은 프랭크 램지에 의해 처음 제안되었다. 이후 레오나르드 새비지에 의해 대중화되었다.
가정	주관적 기대효용 이론은 다음과 같은 몇 가지 가정을 한다.
비판	주관적 기대효용 이론은 다음과 같은 몇 가지 이유로 비판을 받아왔다.
대안	주관적 기대효용 이론에 대한 몇 가지 대안이 제안되었다. 여기에는 다음이 포함된다.
응용	주관적 기대효용 이론은 다음과 같은 다양한 상황에서 사용되었다.

2. 효용 함수

레너드 새비지는 의사 결정자가 합리성의 공리를 따르고 불확실한 사건이 각각 $u(x_i)$ 의 유용성(효용, utility)을 가진 가능한 결과 $\{x_i\}$ 를 가질 수 있다고 믿는다면, 이러한 개인의 선택은 각 결과의 확률이 $P(x_i)$ 일 것이라는 주관적 신념과 함께 그러한 효용함수(utility function)에서 발생하는 것으로 설명할 수 있다고 보았다. 따라서 주관적인 기대효용 역시 효용의 기댓값을 아래와 같이 나타낼 수 있다.

: $\Epsilon[u(X)] = \sum_i \; u(x_i) \; P(x_i)$

3. 예시

예를 들어, 주사위를 한 번 던졌을 때, 각 눈의 값이 나올 확률은 $\frac{1}{6} = 0.166...$ 이다.

이때 주사위 값의 주관적인 기댓값을 각 눈의 값으로 기대한다면 각각 확률을 곱한 값의 합은

: $1 \cdot \frac{1}{6} + 2 \cdot \frac{1}{6} + 3 \cdot \frac{1}{6} + 4 \cdot \frac{1}{6} + 5 \cdot \frac{1}{6} + 6 \cdot \frac{1}{6} = 3.5$ 로, 주사위 눈 6이 나올 확률은 3.5로 높아진다.

주사위를 한 번 던졌을 때 각 눈의 값이 나올 확률은 $\frac{1}{6}$ 이고, 이때 주사위 값의 주관적인 기댓값을 각 눈의 순서의 역순으로 기대한다고 하더라도 각각 확률을 곱한 값의 합은 역시

: $\left( 6 \cdot \frac{1}{6} \right)+\left( 5 \cdot \frac{1}{6}\right) + \left(4 \cdot \frac{1}{6} \right)+ \left(3 \cdot \frac{1}{6} \right)+\left( 2 \cdot \frac{1}{6}\right) + \left(1 \cdot \frac{1}{6}\right) = 3.5$ 이다. 가장 기대하지 않는 주사위의 눈 6이 나올 확률은 3.5로 그대로이다.

이러한 맥락은 기대효용이 전혀 다른 주관적인 가치 판단에 의해서도 같은 결과를 보여줄 수 있다는 점을 보여줄 뿐만 아니라, 오히려 결과에 상관없이 선택에서는 주관적인 가치가 중요하게 작용한다는 점에서 의미가 크다.

4. 기대효용 극대화

기대효용 극대화(Maximum Expected Utility, MEU)는 불확실한 미래 상황에서 이행할 수 있는 행위들 가운데 평균 효용이 가장 큰 행위를 선택하는 것을 가리킨다.

참조

_[1] 서적 The Foundations of Statistics Wiley
_[2] 간행물 Savage's subjective expected utility model http://www.dictionar[...] Palgrave Macmillan 2014-08-23
_[3] 문서
_[4] 논문 Le Comportement de l'Homme Rationnel Devant Le Risque: Critique des Postulats et Axiomes de L'Ecole Americaine
_[5] 논문 Risk, Ambiguity and Savage Axioms http://www.dklevine.[...]
_[6] 서적 The Foundations of Statistics Wiley
_[7] 간행물 Savage's subjective expected utility model http://www.dictionar[...] Palgrave Macmillan 2014-08-23
_[8] 문서

본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com