医学信息分析教学资料第3章风险型决策分析2-wj.pptVIP

点②：E2=0.7×200×10+.3×（-40）×10-600（投资）=680（万元）点⑤：E5=190×7-400=930（万元）点⑥：E6=80×7=560（万元）点③：E3=0.7×80×3+0.7×930+0.3×60×（3+7）-280=719（万元）后比较决策点1的情况。由于点③（719万元）与点②（680万元）相比，点③的期望利润值较大，因此取点③而舍点②。这样，相比之下，建设大工厂的方案不是最优方案，合理的策略应采用前3年建小工厂，如销路好，后7年进行扩建的方案。12345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利用过去历史资料计算得到的先验概率，称为客观先验概率；A当历史资料无从取得或不完全时，凭人们的主观经验判断而得到的先验概率，称为主观先验概率。B先验概率的计算比较简单，没有使用贝叶斯公式；而后验概率的计算，要使用贝叶斯公式，而且在利用样本资料计算逻辑概率时，还要使用理论概率分布，需要更多的数理统计知识。C条件概率P(B|A)=P(AB)/P(A)P(*|#)是条件概率的通用符号即在某条件#下出现某个事件*的概率P(ωK|X):X出现条件下,样本为ωK类的概率P(*|#)与P(*)不同几个重要概念概率密度函数P(x|ωi)先验概率P(ω1)及P(ω2)后验概率P(ωi|X)先验概率，后验概率，概率密度函数假设总共有c类物体，用ωi(i=1,2,…,c)标记每个类别，x=[x1,x2,…,xd]T，是d维特征空间上的某一点，则P(ωi)是先验概率p(x|ωi)是ωi类发生时的条件概率密度函数P(ωi|x)表示后验概率贝叶斯定理假设已知某状态先验概率P(Wi)i=1,2……c该状态类条件概率密度P(X︱Wi)i=1,2……c此时可利用贝叶斯公式：得到该状态的（后验）概率为P(Wi︱X)。贝叶斯定理的应用举例假设A1表示企业从供应商1获得零部件;假设有两个供应商某企业提供零部件；假设A2表示企业从供应商2获得零部件。Weget65percentofourpartsfromsupplier1and35percentfromsupplier2.Thus:P(A1)=0.65andP(A2)=0.35PercentageGoodPartsPercentageBadPartsSupplier1982Supplier2955假设G表示零部件是好的，B表示零部件是坏的，因此我们如下的条件概率。P(G|A1)=.98andP(B|A1)=0.02P(G|A2)=.95andP(B|A2)=0.05BGB(A1,G)(A1,B)(A2,G)(A2,B)Step1

SupplierA1Step2

ConditionA2Experimental

OutcomeG每个实验的结果都是两个事件的交集，例如，从供应商处选出好的零部件的概率为：第3章风险决策分析广东医学院信息工程学院——王江——本章重点风险型决策的期望值准则及其应用；决策树分析方法；贝叶斯决策分析；3.1风险型决策的期望值准则及其应用风险内涵人们所做出的许多决策确实需要冒一定的风险02风险是不确定的一种，但已知不确定状态服从某种概率分布。01这种损失与否是一种随机现象，可用概率来描述。05产生这些风险是由客观世界存在的许多不确定因素造成的。03风险意味着出现损失，或是未实现预期的目标值。043.1风险型决策的期望值准则及其应用风险型决策是通过预测各事件可能发生的先验概率，然后采用期望效用最好的方案作是为最优方案。这种决策基于先验概率，所以需要担负一定的风险，但有较成熟的技术准则。由于每个备选方案都会遇到几种不同情况，而且已知出现每一种情况的可能性有多大，即发生概率有多大，因此在依据不同概率所拟订的多个决策方案中，不论选择哪个方案都要承担一定的风险。取决于决策者所选择的方案；1取决于决策者无法控制(或无法完全控制)的客观因素，可作为自然状态。2决策所产生的后果,取决于两方面的因素：存在着不以（或不全以）决策者的主观意志为转移的两种或两种以上的自然状态，即存在着两种或两种以上状态变量。存在着决策者希望达到的一个（或一个以上）明确的决策目标，如利益较大，损失较