贝叶斯决策建模
先验分布
根据先验信息所确定的概率分布叫先验分布,获得先验分布是贝叶斯分析的基础。决策中先验分布的获得具有高度的主观性。
先验假设
为使先验分布估计规范化,需要做一定的假设。
- 连通性假设:指事件A和事件B发生的可能性是可比的
- 传递性假设:若对事件A、B、C,有p(A)>p(B), p(B) > p( C), 则p(A)>p( C)。
- 部分与全体:部分与全体关系假设:若事件A是事件B的一部分,则p(B)≥p(A)。
先验分布估计
- 比较法1-离散型(对事件发生的各种状态加以比较确定相对似然率)
- 打赌法(离散型)
- 直方图法(适合于自然状态 θ \theta θ在实轴某个区间连续取值)
- 区间对分法(分位点法)-连续型
- 分布函数法
效用函数
效用就是偏好的量化值。决策的目标就是使期望效用极大化
效用函数的构造
- 离散型:构造决策树
- 连续型:则可通过分析u©的若干特征值,求出特征点的效用后再连成光滑曲线。
决策准则
决策树表示法
贝叶斯准则:期望效用最大或期望损失最小。
贝叶斯决策
贝叶斯决策就是在不完全情报下,对部分未知的状态用主观概率估计,然后用贝叶斯公式对发生概率进行修正,最后再利用期望值和修正概率做出最优决策。
贝叶斯定理
已知 P ( B ∣ A j ) P(B|Aj) P(B∣Aj)、 π ( A j ) \pi(Aj) π(Aj)(先验概率) (j=1,…,n),求当事件B发生(随机试验的结果或观察值)时Ak发生的概率(后验概率)。
基本思想
贝叶斯决策理论方法是统计模型决策中的一个基本方法,其基本思想是:
- 已知类条件概率密度参数表达式和先验概率
- 利用贝叶斯公式转换成后验概率
- 根据后验概率大小进行决策分类
决策步骤
-
验前分析
依据统计数据和资料,按照自身的经验和判断,应用状态分析方法测算和估计状态变量的先验分布,并计算各可行方案在不同自然状态下的条件结果值,利用这些信息,根据某种决策准则,对各可行方案进行评价和选择,找出最满意的方案,称之为验前分析。 -
预验分析
考虑是否进行市场调查和补充收集新信息,决策分析人员要对补充信息可能给企业带来的效益和补充信息所花费的成本进行权衡分析,比较分析补充信息的价值和成本,称为预验分析。如果获取补充的费用很小,甚至可以忽略不计,本步骤可以省略,直接进行调查和收集信息,并依据所获得的补充信息转入下步骤。 -
验后分析
经过预验分析,决策分析人员做出补充信息的决定,并通过市场调查和分析补充信息,为验后分析做准备。验后分析的关键是利用补充信息修正先验分布,得到更加符合市场实际的后验分布。然后,利用后验分布进行决策分析,选出最满意的可行方案。
验后分析和预验分析都是通过贝叶斯公式修正先验分布,不同之处在于,预验分析是依据可能的调查结果,侧重于判断是否补充信息,验后分析是根据实际调查结果,侧重于选出最满意的方案。
重要符号描述
θ \theta θ : 自然状态
π ( θ ) \pi(\theta) π(θ) : 先验概率
x : 观测值(发生x的事件)
P ( x ∣ θ ) P(x|\theta) P(x∣θ) : 在自然状态 θ \theta θ下,发生x事件的概率
P ( θ ∣ x ) P(\theta|x) P(θ∣x) : 已知发生x事件,是在自然状态 θ \theta θ下的概率(后验概率)
π ( x ) \pi(x) π(x) : x事件最终发生的概率
经典例题