決策分析Decision Analysis.pptVIP

第十三章貝氏決策分析與貝氏網路 授課教授: 簡禎富博士 2006/01/03 接續前章 第十二章中土地開發的決策中，決策者由實驗獲得與決策相關的額外資訊，據以修正決策者的主觀機率，同時修正各方案的期望報酬，並定義決策法則為「若震測結果為0，則採取鑽井之行動方案;若震測結果為1，則採取出售土地之行動方案」 僅有一個不確定事件，一個實驗，與兩個行動方案，其中不確定事件的可能結果也只有兩種 然而，若決策問題變得更為複雜，不確定事件有多種可能結果，不同結果對應的行動方案不盡相同，實驗之樣本結果也不只有兩個，甚或單一決策中必須考量多種實驗的樣本資訊，則決策者要如何系統化架構樣本與不確定事件的相關性，並制定合適的最佳決策法則，以定義如何根據樣本資訊採行最佳方案。 序論 討論複雜的風險情況下決策 統計決策應用貝氏定理於風險下之決策，根據樣本資訊將不確定事件之事前機率修正為事後機率，並估算不同決策法則的期望損失以選擇損失最小的決策法則。由於不確定因子發生的機率推估可以結合貝氏定理作機率修正和推論，故又稱為貝氏決策(Bayesian decision)。 貝氏網路以圖形呈現的多個不確定事件與多個樣本證據間的推論關係，樣本證據間亦存在層級的推論關係。並將決策問題中的不確定事件以一組隨機變數來分析其中的機率，並能隨時根據新的資訊或證據，透過層層的推演，以推論相關的不確定事件之事後機率。 大綱 統計決策分析 貝氏決策分析之理論架構 最適決策法則之決策 貝式網路 貝氏網路之理論基礎 貝氏網路的不一致性修正 貝氏網路應用實例—台電餽線事故定位系統 案例簡介 分析過程 案例小結 統計決策分析 風險下的決策問題使用機率表示其中的不確定因素，所以又稱為「統計決策」(statistical decision making) 事前機率(prior probability)是指決策者對不確定事件各種結果的發生機率的信心，乃是決策者根據歷史資料(頻率機率)或人為經驗判斷(主觀機率)而產生的 「事前無知」(prior ignorance)的狀況，期望報酬或損失的計算仍可能存在高度的不確定性，決策者根據不確定的估計選出的最大期望報酬或最小期望損失方案，可能為一錯誤決策 為提高決策品質，降低做出錯誤決策的機會，決策者可經由試驗的方式取得額外資訊，例如 進一步醫學檢查、額外的工程實驗或地質探勘等，也可經由觀察到的現象或證據，例如看到天空烏雲密佈會讓想出遊的人修正對下雨機率的判斷，修正後的機率稱為事後機率(posterior probability) 貝氏決策 貝氏決策即是討論決策者如何利用適當的樣本取樣方式，取得額外資訊，並根據額外的資訊修正可選擇方案的期望損失，以其選擇期望損失最低的方案 貝氏決策於實務應用方向非常廣泛，包含醫療決策(Sainfort, 1993; Barbara and Paul, 1975 )，故障診斷(Wang et al., 1998)，可靠度分析(Papazoglou, 1999)，與抽樣計畫(Hald, 1968; Phelps, 1982; Chien, Hsu, Peng, and Wu, 2000)等 貝氏決策分析之理論架構 不確定事件所有可能狀態θj的集合 貝氏決策案例–唐氏症的診斷 唐氏症為高齡產婦的一大威脅：家庭心理與經濟負擔 醫生通常利用醫療檢測如羊膜穿刺與母血篩檢的方法，根據檢測之樣本所得結果來推論胎兒之健康狀態 若結果為陽性反應則代表胎兒有較高的機率患有唐氏症 若結果為陰性反應則代表胎兒有較高的機率為正常胎兒 另一方面，決策者(家屬或醫生)可以有的行動方案包含產下胎兒與進行人工流產。將以上的決策問題對應貝氏決策的三個決策元素，則 狀態空間?={?1=健康，?2=唐氏症}; 樣本空間X={x1=陰性反應，x2=陽性反應}; 行動空間A={ a1=生下小孩，a2=人工流產} 概似函數 概似函數P?(x)代表在狀態?下可觀察到可能性 當x為連續數值時，P?(x)為一機率密度 當x為離散數值時，P?(x)為一機率 若一個樣本x在真實狀態為?時被觀察到的機率很高，則樣本x對決策者判斷真實狀態是否為?有很高的資訊價值。換言之， P?(x)越高則決策者觀察到樣本x後，對真實狀態為?的信心(belief)越高 條件機率示意圖 條件機率P(Bj|Ai)是在給定條件Ai的情況下，隨機變數B=Bj的機率有多高 概似機率示意圖 概似函數P(B|Ai)是觀察到B時有多少可能性是來自於隨機變數A=Ai的情況 空間切割圖 條件機率與概似函數之比較 唐氏症的診斷–概似函數 若一般高齡產婦產下唐氏症兒的機率為1%，當醫生沒有其他資訊可參考時，他只能告訴來做產檢的孕婦「胎兒患有唐氏症的機率約為1%」，這也就是事前機率π(θ = 唐氏症) = 0.0