贝叶斯分析.docx
《贝叶斯分析.docx》由会员分享,可在线阅读,更多相关《贝叶斯分析.docx(16页珍藏版)》请在冰豆网上搜索。
![贝叶斯分析.docx](https://file1.bdocx.com/fileroot1/2022-10/11/6d96a129-9437-4315-80f1-5df24496b461/6d96a129-9437-4315-80f1-5df24496b4611.gif)
贝叶斯分析
Documentserialnumber【KKGB-LBS98YT-BS8CB-BSUT-BST108】
贝叶斯分析
第四章贝叶斯分析
BayeseanAnalysis
§引言
一、决策问题的表格表示——损失矩阵
对无观察(No-data)问题a=δ
可用表格(损失矩阵)替代决策树来描述决策问题的后果(损失):
…
…
π()
…
π()
…
π()
或
π()
…
π()
…
π()
…
…
损失矩阵直观、运算方便
二、决策原则
通常,要根据某种原则来选择决策规则δ,使结果最优(或满意),这种原则就叫决策原则,贝叶斯分析的决策原则是使期望效用极大。
本章在介绍贝叶斯分析以前先介绍芙他决策原则。
三、决策问题的分类:
1.不确定型(非确定型)
自然状态不确定,且各种状态的概率无法估计.
2.风险型
自然状态不确定,但各种状态的概率可以估计.
四、按状态优于:
≤"I,且至少对某个i严格不等式成立,则称行动按状态优于
§不确定型决策问题
一、极小化极大(wald)原则(法则、准则)
l(,)或
例:
10
8
7
9
4
1
9
2
13
16
12
14
6
9
8
10
各行动最大损失:
13161214
其中损失最小的损失对应于行动.
采用该原则者极端保守,是悲观主义者,认为老天总跟自己作对.
二、极小化极小
l(,)或
例:
10
8
7
9
4
1
9
2
13
16
12
14
6
9
8
10
各行动最小损失:
4172
其中损失最小的是行动.
采用该原则者极端冒险,是乐观主义者,认为总能撞大运。
三、Hurwitz准则
上两法的折衷,取乐观系数入
[λl(,)+(1-λ〕l(,)]
例如λ=时
λ:
21
(1-λ〕:
867
两者之和:
8
其中损失最小的是:
行动
四、等概率准则(Laplace)
用来评价行动的优劣
选
上例:
:
33343635其中行动的损失最小
五、后梅值极小化极大准则(svage-Niehans)
定义后梅值=-
其中为自然状态为时采取不同行动时的最小损失.
构成后梅值(机会成本)矩阵S={},使后梅值极小化极大,即:
例:
损失矩阵同上,后梅值矩阵为:
3102
3081
1402
0324
各种行动的最大后梅值为:
3484
其中行动a1的最大后梅值最小,所以按后梅值极小化极大准则应采取行动1.
六、Krelle准则:
使损失是效用的负数(后果的效用化),再用等概率(Laplace)准则.
七、莫尔诺(Molnor)对理想决策准则的要求(1954)
1.能把方案或行动排居完全序;
2.优劣次序与行动及状态的编号无关;
3.若行动按状态优于,则应有优于;
4.无关方案独立性:
已经考虑过的若干行动的优劣不因增加新的行动而改变;
5.在损失矩阵的任一行中各元素加同一常数时,各行动间的优劣次序不变;
6.在损失矩阵中添加一行,这一行与原矩阵中的某行相同,则各行动的优劣次序不变。
§风险型决策问题的决策原则
一、最大可能值准则
令π()=maxπ()
选使l(,)=l(,)
例:
π()
7
6
3
4
5
4
1
0
π()概率最大,各行动损失为345
∴应选行动
二、贝叶斯原则
使期望损失极小:
{l(,)π()}
上例中,各行动的期望损失分别为,对应于的期望损失最小
∴应选.
三、贝努利原则
损失函数取后果效用的负值,再用Bayes原则求最优行动.
四、E—V(均值—方差)准则
若≤且则优于
通常不存在这样的
上例中:
E
V()
不存在符合E—V准则的行动,这时可采用f(μ,σ)的值来判断(μ为效益型后果的期望)
ìμ-ασ
f(μ,σ)=íμ-ασ
?
μ-α(μ+σ)
f越大越优.
五、不完全信息情况下的决策原则(Hodges-Lehmann原则)
状态概率分布不可靠时,可采用:
φ()=λ+i=1,2,…,mj=1,2,…,n
φ越大越优.
§贝叶斯定理
一、条件概率
、B为随机试验E中的两个事件
P(A|B)=P(AB)/P(B)
由全概率公式:
j=1,2,…,n是样本空间的一个划分,
P(B)=P(B|)P()
得Bayes公式
P(|B)=P(B|)·P()/P(B)
=P(B|)·P()/P(B|)P()
2.对Θ,Χ两个随机变量
·条件概率密度
f(θ|x)=f(x|θ)f(θ)/f(x)
·在主观概率论中
π(θ|x)=f(x|θ)π(θ)/m(x)
其中:
π(θ)是θ的先验概率密度函数
f(x|θ)是θ出现时,x的条件概率密度,又称似然函数.
m(x)是x的边缘密度,或称预测密度.
m(x)=f(x|θ)π(θ)dθ
或p(x|)π()
π(θ|x)是观察值为x的后验概率密度。
例:
A坛中白球30%黑球70%
B坛中白球70%黑球30%
两坛外形相同,从中任取一坛,作放回摸球12次,其中白球4次,黑球8次,求所取为A坛的概率.
解:
设观察值4白8黑事件为x,记取A坛为,取B坛为
在未作观察时,先验概率p()=p()=
则在作观察后,后验概率
P(|x)=p(x|)p()p(x|)p()+p(x|)p()
=××(××+××
=(×)
==
显然,通过试验、观察、可修正先验分布.
§贝叶斯分析的正规型与扩展型
一、正规型分析
由Baysean原则:
先验分布为π(θ)时,最优的决策规则δ是贝叶斯规则,使贝叶斯风险
r(π,)=r(π,δ(x))
其中:
r(π,δ(x))=R(θ,δ(x))
=[l(θ,δ(x))
=l(θ,δ(x))f(x|θ)dxπ(θ)dθ
(1)
据
(1)式,选使r(π,δ)达到极小,这就是正规型的贝叶斯分析。
在解实际问题时,求使
(1)式极小的δ(x)往往十分困难,尤其在状态和观察值比较复杂时,Δ集中的策略数目很大,穷举所有的δ(x)有困难,且计算量颇大。
实际上可用下法:
二、扩展型贝叶斯分析(ExtensiveFormAnalysis)
在
(1)式中因l(θ,δ)>-∞,f(x|θ),π(θ)均为有限值。
∴由Fubini定理,积分次序可换
即r(π,δ(x))=l(θ,δ(x))f(x|θ)dxπ(θ)dθ
=l(θ,δ(x))f(x|θ)π(θ)dθdx
(2)
显然,要使
(2)式达到极小,应当对每个x∈X,选择δ,
使l(θ,δ(x))f(x|θ)π(θ)dθ(2’)为极小
∵δ(x)=a∴若对给定的x,选a,使l(θ,δ(x))f(x|θ)π(θ)dθ为极小
亦即,
使l(θ,a)f(x|θ)π(θ)dθ
=l(,a)π(|x)dθ或l(,a)p(|x)(3)达极小,即可使
(1)式为极小.
·结论:
对每个x,选择行动a,使之对给定x时θ的后验分布π(θ|x)的期望损失为极小,即可求得贝叶斯规则。
这种方法叫贝叶斯分析的扩展型,由此确定的贝叶斯规则叫formalBayeseanRule
——RaiffaSehlaifer,1961年提出。
·Note
·使(3)式达极小的行动可能不只一个,即可能有多个贝叶斯规则;
·扩展型比正规型更直观,也容易计算,故更常用;
·许多分析人员只承认扩型,理由是:
i,π(θ|x)描述了试验后的θ的分布,比π(θ)更客观,因此,只要损失函数是由效用理论导出的(即考虑了DMer的价值判断、风险偏好),在评价行动a的优劣时就应当用后验期望损失。
ii,r(π,δ)是根据π(θ)求出的,而用先验分布π(θ)来确定行动a并不一定适当。
从根本上讲,这种观点是正确的。
·无论从何种观点来进行贝叶斯分析,从理论上讲,结果是一样的,所以采用何种方法可视具体问题,据计算方便而定。
·已经证明,形式贝叶斯分析对一类非随机性决策规则是成立的,也可以证明它对随机性决策规则同样成立。
使所有x上后验期望损失极小的贝叶斯规则也是随机性规则集Δ*中的Bayes规则,因此,总可以找到一验期望损失极小的非随机性规则。
三、例(先看无观察问题)
农民选择作物问题,设某地旱年占60%,正常年景占40%;种植耐旱作物
种不耐旱作物,后果矩阵为:
200
60100
决策人的效用函数u(y)=(1-)
解:
i令:
l(y)=1-u(y)
ii,作决策树:
iii,在无观察时,R=l,r=l(,a)π()
r(π,)=l(,)π()+l(,)π()
=×+×
=
r(π,)=l(,)π()+l(,)π()
=×+0×
=
风险r小者优,∴δ=,是贝叶斯规则,即贝叶斯行动.即应选择耐旱作物。
四、例(续上)
设气象预报的准确性是,即p(|)=p(|)=
其中,预报干旱
预报正常年景
则m()=p(|)π()+p(|)π()
=×+×=
m()=
π(|)=p(|)π()m()
=×/=
π(|)=p(|)π()m()
=×/=
π(|)=
π(|)=
1.正规型分析
①策略:
=()=()
r(π,)=l(,())p(|)π()
4-7
=l(,)p(|)π()+l(,)p(|)π()
+l(,)p(|)π()+l(,)p(|)π()
=××+××+××+××
=
②策略:
=()=()
r(π,)=l(,())p(|)π()
=l(,)p(|)π()+l(,)p(|)π()
+l(,)p(|)π()+l(,)p(|)π()
=××+××+××+××
=
③策略:
=()=()
r(π,)=
④策略:
=()=()
r(π,)=
∵r(π,)<r(π,)<r(π,)<r(π,)
∴fff是贝叶斯行动。
4-82.扩展型之一:
据(2’):
l(θ,δ(x))f(x|θ)π(θ)dθ记作r’
①给定(预报干旱):
采用r‘=l(,)p(|)π()
=l(,)p(|)π()+l(,)p(|)π()
=××+××
=
采用r’=l(,)p(|)π()+l(,)p(|)π()
=
∵风险小者优∴给定应选
②给定(预报天