【学习课件】第十五章贝叶斯决策方法15贝叶斯决策方法

Chapter15贝叶斯决策方法风险型决策的概率分析与最优策略求解Contents课程目录第十五章贝叶斯决策方法01决策理论基础与贝叶斯方法概述02贝叶斯定理核心原理03先验分析与期望值决策模型04后验分析与信息价值评估05综合案例实战与方法评价CHAPTER01决策理论基础与贝叶斯方法概述从决策分类到风险型决策的概率分析框架Chapter15·DecisionTypes决策的三大基本类型按环境确定性程度，决策分为确定型、不确定型和风险型三类。风险型决策是最常见也最复杂的类型——决策者面临多种可能状态且结果不确定，但能够估计各状态发生的概率，这为贝叶斯方法的应用提供了基础。CERTAIN确定型决策每种方案的后果完全已知且唯一确定，决策者只需比较各方案的确定收益并选择最优。典型场景如线性规划、盈亏平衡分析等，不涉及概率估计，决策过程相对简单直接。线性规划UNCERTAIN不确定型决策决策者面临多种可能状态，但无法获得任何可靠的概率信息，只能依赖乐观、悲观等决策准则。常用方法包括最大最小准则、最大最大准则、等概率准则和后悔值准则。最大最小准则RISK-BASED风险型决策决策者可根据历史数据或主观经验估计各状态发生的概率，在概率基础上计算期望值并排序。贝叶斯决策法是核心方法，通过不断修正概率来提升决策的科学性和准确性。贝叶斯方法DECISIONFRAMEWORK风险型决策的核心要素与框架风险型决策的核心在于"不确定性可量化"——通过状态空间θ、行动空间A、概率P与决策函数，形成完整的决策分析框架。01状态空间θ：描述所有可能出现的自然状态，如商品日销量的各种可能值，各状态互斥且穷尽02行动空间A：决策者可采取的全部备选方案集合，如不同的进货量、投资额度或生产计划03概率估计P(θ)：基于历史数据或主观经验对各状态发生可能性的量化，是先验分析的核心输入04决策函数：成本函数和收益函数量化货币后果，效用函数纳入风险态度和非货币偏好高校课堂·概率论教学场景BAYESIANDECISIONTHEORY贝叶斯决策法的核心思想贝叶斯决策法的本质是"信息驱动的动态决策优化"——在不完全情报下先以主观概率进行初始判断，再通过贝叶斯公式利用新信息修正概率，最终以修正后的后验概率和期望值做出最优决策。01不完全情报下的主观概率估计决策者无法获得完全可靠的未来信息，只能依据过去的经验或数据对各状态赋予先验概率P(θ)先验概率P(θ)02贝叶斯公式的概率修正机制通过抽样调查等方式获取新信息后，利用贝叶斯公式将先验概率更新为更精确的后验概率P(θ|x)后验概率P(θ|x)03期望值标准的最优决策以修正后的后验概率计算各方案的期望收益（或期望损失），选择期望值最优的方案作为最终决策期望收益最优04信息越多风险越低的科学保证贝叶斯定理从数学上证明，增加抽样信息能使概率估计更准确，从而系统性降低决策风险系统性降低风险ApplicationScenarios贝叶斯决策法的典型应用场景贝叶斯决策法适用于所有"结果不确定但可获取补充信息"的决策场景，横跨商业运营、医学诊断、金融投资和工程管理等多个领域，是风险型决策分析的通用工具。商业与运营库存管理决策根据历史销售数据估计需求概率，结合进价与售价计算最优订货量，最大化期望利润，避免积压或缺货风险市场投资决策评估不同市场需求状态下的投资回报，结合市场调研信息修正概率后做出决策，降低不确定性带来的损失库存优化·投资配置医学与金融临床诊断辅助综合检验结果与流行病学数据，计算患者患病后验概率以指导临床治疗决策，提高诊断准确性和治疗效果资产动态配置根据市场信号与历史数据估计各经济状态概率，动态调整资产配置策略，在风险可控前提下追求收益最大化疾病诊断·资产配置工程与管理质量抽样检验基于抽样检测结果更新不合格率概率估计，决定是否对整批产品全面检验，平衡检验成本与质量风险安全风险评估结合故障停机成本、维修成本和安全风险，用损失函数量化多维度后果，制定最优维护与应急预案质量管控·风险决策CHAPTER02贝叶斯定理核心原理从条件概率到贝叶斯公式的数学推导与直觉理解第十五章·贝叶斯决策方法概率论基础：条件概率与全概率公式条件概率P(A|B)和全概率公式是贝叶斯定理的两大数学基石。条件概率描述"已知某信息后事件发生的概率"，全概率公式实现"由因推果"的综合概率计算，两者结合即构成贝叶斯公式的推导基础。条件概率定义：事件A在事件B已发生条件下的概率P(A|B)=P(AB)/P(B)，反映获得新信息后对事件概率的更新。乘法公式：P(AB)=P(A)P(B|A)=P(B)P(A|B)，将联合概率分解为边缘概率与条件概率的乘积。P(A|B)=P(AB)/P(B)全概率公式若B₁,B₂,...,Bₙ构成样本空间的完备事件组，则P(A)=ΣP(Bᵢ)P(A|Bᵢ)，实现"由因推果"的综合概率计算。直觉理解：事件A的总概率等于各"原因"Bᵢ导致A发生的概率按各原因自身概率的加权平均。P(A)=ΣP(Bᵢ)P(A|Bᵢ)BayesianFormula贝叶斯公式的推导与各组成部分贝叶斯公式P(θ|x)=P(x|θ)P(θ)/P(x)实现了从先验概率到后验概率的数学转换。它将主观判断（先验）与客观数据（似然）有机结合，通过严格的数学推导完成概率的动态更新，是贝叶斯决策方法的理论核心。公式推导由乘法公式P(θx)=P(θ)P(x|θ)=P(x)P(θ|x)，两边除以P(x)即得贝叶斯公式。这一推导过程展示了条件概率之间的内在联系，是贝叶斯推断的数学基础。乘法公式先验概率在获得新信息之前，基于历史数据或主观经验对各自然状态发生可能性的初始估计。它反映了决策者在观测数据前的认知状态，是贝叶斯更新的起点。P(θ)似然函数在自然状态θ已知的条件下，观测到特定抽样结果x的条件概率，反映数据的"信息含量"。似然函数衡量了不同参数值对观测数据的解释能力。P(x|θ)后验概率综合先验判断与新观测信息后，对各自然状态概率的修正更新，是后续决策的直接依据。后验概率融合了先验信念与数据证据，形成更准确的认知。P(θ|x)BAYESIANINTUITION贝叶斯公式的直觉理解与认知纠偏贝叶斯公式的核心直觉是"后验判断＝先验信念×新证据的修正力度"。它揭示了基础率忽视偏差——仅关注检测准确率而忽略先验概率，导致对后验概率的严重高估。先验×似然→后验后验概率正比于先验概率与似然函数的乘积：先验越强的信念，需要越多反面证据才能被改变医学诊断悖论发病率1%、检测准确率99%、误报率5%时，阳性结果真正患病的后验概率仅约16.7%16.7%基础率忽视偏差人们过度关注检测准确率（似然），忽略事件本身的先验概率（基础率），贝叶斯公式纠正这一认知偏差信息累积效应多次独立观测的似然函数连乘，使后验概率逐步收敛于真实状态，体现"证据越多、判断越准"的规律医学检测诊断场景BAYESIANFORMULATION贝叶斯公式的离散型与连续型形式贝叶斯公式根据状态空间的性质分为离散型和连续型两种形式。离散型用求和计算归一化常数，适用于有限状态场景；连续型用积分替代求和，适用于连续变量场景。两者的核心逻辑一致，均由先验与似然推导后验。离散型贝叶斯公式P(θi|x)=P(x|θi)·P(θi)⁄ΣjP(x|θj)·P(θj)状态空间θ为有限集{θ₁,θ₂,…,θₙ}时，分母为全概率展开式，确保所有状态的后验概率之和等于1，实现概率的归一化处理。Discrete·有限状态连续型贝叶斯公式p(θ|x)=p(x|θ)·p(θ)⁄∫p(x|θ)·p(θ)dθ状态变量θ在连续区间取值时，积分替代求和用于计算归一化常数，常用于需求服从正态分布或泊松分布等连续概率模型的决策问题。Continuous·连续变量BayesianMethods共轭先验分布与计算简化共轭先验分布是贝叶斯分析中简化计算的重要工具——选择与似然函数匹配的共轭先验，可使后验分布与先验分布同属一个分布族，避免复杂的积分运算，同时提供直观的"等效先验样本量"解释。01共轭先验的定义若先验分布与后验分布属于同一分布族（仅参数不同），则称该先验为似然函数的共轭先验。这一特性使得后验分布的形式保持简洁，便于后续分析和解释。02二项-贝塔共轭对似然为二项分布B(n,p)时，选Beta(α,β)为先验，后验仍为Beta分布，参数更新为Beta(α+x,β+n-x)。成功次数x与失败次数n-x分别累加到先验参数上，直观体现先验与数据的融合。03正态-正态共轭对方差已知时，均值的共轭先验为正态分布，后验均值是先验均值与样本均值的加权平均，权重取决于各自方差。先验精度越高，后验越靠近先验；数据精度越高，后验越靠近样本均值。04实用价值共轭先验使后验参数可通过简单代数运算获得，避免数值积分；其参数可解读为"等效先验观测次数"，便于主观判断。这一特性在序贯分析和实时更新场景中尤为重要，大幅提升计算效率。CHAPTER03先验分析与期望值决策模型基于先验概率的收益表构建与最优方案求解BAYESIANDECISION·CHAPTER15先验分析的完整步骤先验分析是在不获取额外信息条件下基于先验概率进行的初始决策分析。通过构建收益矩阵、计算各方案的期望收益EMV，选出使期望收益最大化的方案，为后续的后验分析和信息价值评估建立基准。01识别状态空间列举所有可能出现的自然状态θ₁到θₙ，确保各状态互斥且穷尽，如商品日销量的各可能值02估计先验概率基于历史销售数据或主观经验为各状态赋予概率P(θᵢ)，所有状态概率之和必须等于103构建收益矩阵对每个"状态θᵢ—方案aⱼ"组合计算条件收益C(θᵢ,aⱼ)，形成完整的收益表04计算期望收益各方案的EMV=ΣᵢP(θᵢ)C(θᵢ,aⱼ)，即以先验概率为权重对条件收益进行加权求和05确定最优方案选择EMV最大的方案a*作为最优决策，其EMV*即为先验分析下的最优期望收益DECISIONCRITERIA期望收益(EMV)准则与期望机会损失(EOL)准则EMV准则选择期望收益最大的方案，EOL准则选择期望机会损失最小的方案。两个准则在数学上完全等价。01期望收益EMV准则计算公式：EMV(aⱼ)=ΣᵢP(θᵢ)·C(θᵢ,aⱼ)以先验概率为权重对各状态下的条件收益进行加权求和决策规则：a*=argmaxEMV(aⱼ)选择使期望收益最大的方案，EMV*即为最优方案的期望收益金额Maximizeargmax02期望机会损失EOL准则机会损失：OL(θᵢ,aⱼ)=maxⱼC(θᵢ,aⱼ)−C(θᵢ,aⱼ)在状态θᵢ下选择aⱼ而放弃最优方案的收益差额EOL与EMV等价性：a*=argminEOL(aⱼ)与argmaxEMV(aⱼ)指向同一最优方案，EOL(aⱼ)=EPC−EMV(aⱼ)MinimizeargminBayesianDecisionTheory完全情报价值(EVPI)的概念与计算完全情报价值EVPI=EPC-EMV*，衡量了信息不完全给决策者造成的期望收益损失。它为信息投资提供了理性的上限参考——任何信息的购买费用不应超过EVPI，否则获取信息的成本将超过信息带来的收益改善。01完全情报期望收益EPC假设信息100%准确，决策者在每种状态θᵢ下都选最优方案，EPC=ΣᵢP(θᵢ)·maxⱼC(θᵢ,aⱼ)。EPC代表拥有完美信息时的期望收益上限。02EVPI的计算EVPI=EPC−EMV*，即完全情报下的期望收益减去先验分析最优方案的期望收益，两者之差即为信息不完全造成的损失，也是信息价值的量化度量。03EVPI等价于最小EOL可以证明EVPI=minEOL(aⱼ)=EOL(a*)，即最优方案的期望机会损失就等于完全情报价值。这一等价关系为EVPI的计算提供了另一种途径。04决策意义EVPI为信息投资设定价格上限，若获取补充信息的费用小于EVPI则值得投资，否则应在当前信息下直接决策。它是信息经济学中的核心决策准则。LOSSFUNCTIONDESIGN损失函数的构建原则与多维量化损失函数L(a,ω)是连接概率与决策的核心桥梁，量化在特定状态下采取特定行动的负面后果。其构建需遵循对称性、可度量性和风险敏感性三大原则，在复杂场景中需融合多维度成本进行加权综合评估。PART01三大构建原则对称性原则损失函数应客观反映后果的严重程度，避免在函数结构中引入决策者的主观偏好偏差。客观性可度量性原则损失必须以货币单位或效用值进行量化，确保不同方案的损失可直接比较和排序。可比较风险敏感性原则对风险厌恶型决策者需引入风险厌恶系数，使大额损失的权重被适度放大以反映真实心理成本。风险厌恶PART02多维度损失量化多维成本融合复杂决策场景中损失往往涉及多个维度，如设施维护需同时考虑故障停机成本、维修费用和安全风险。加权综合评估通过多维权重将不同性质的损失整合为单一综合损失值，贝叶斯决策规则选择使后验期望损失最小的行动。BAYESIANDECISIONTHEORY贝叶斯最优决策规则贝叶斯最优决策规则要求选择使后验期望损失最小的行动a*=argminE[L(a,ω)|x]。期望基于后验分布计算，综合了先验判断与新观测信息，确保决策在信息利用上达到统计意义上的最优。01最小后验期望损失准则对所有可能状态的后验概率加权损失求最小化，确定最优行动a*=argminΣL(a,ω)P(ω|x)02最大后验期望收益准则使用收益函数C(a,ω)时取最大值，两准则指向同一最优方案a*=argmaxΣC(a,ω)P(ω|x)03后验vs先验决策后验分析用P(θ|x)计算期望，因纳入新信息而系统性优于先验决策P(θ|x)>P(θ)04贝叶斯风险对所有观测值x取期望后的最小后验期望损失，是整体性能度量r*=Eₓ[minE[L(ω)|x]]Chapter04后验分析与信息价值评估从先验到后验的概率修正与信息投资的理性决策BayesianDecision先验概率与后验概率的关系后验概率是贝叶斯决策的核心创新——通过贝叶斯公式将主观先验概率与客观抽样信息有机结合，产生更精确的概率估计。先验概率P(θ)PriorProbability来源基于历史数据统计（如过去200天的销售记录）或决策者的主观经验对各状态发生可能性的初始估计局限信息可能不够充分，尤其在市场环境快速变化时，仅凭历史数据可能无法准确反映当前的真实状态分布后验概率P(θ|x)PosteriorProbability来源通过抽样调查、市场调研、专家咨询等途径获取新信息x后，用贝叶斯公式修正先验概率得到的更新估计优势综合了先验判断与新证据的双重信息，概率估计更准确，基于后验概率的决策风险系统性低于先验决策BAYESIANINFERENCE·PROCEDURE后验概率的计算步骤与方法后验概率的计算遵循"先验→似然→后验"的标准流程。核心难点在于似然函数的构建——需要根据抽样方案的设计和信息来源的可靠性来确定各状态下观测数据的条件概率。STEP01确定先验概率根据历史数据统计或主观判断为各状态赋予先验概率，确保概率之和等于1ΣP(θᵢ)=1STEP02获取抽样信息通过市场调研、抽样检测或专家咨询等方式获取观测数据，作为修正先验的新证据DATA→xSTEP03构建似然函数确定各状态下观测到数据的条件概率，反映信息来源的可靠性和精确度P(x|θᵢ)STEP04计算后验概率代入贝叶斯公式，将先验概率与似然函数相乘并归一化，得到各状态的修正概率P(θᵢ|x)←BAYESDecisionAnalysis·Bayesian样本信息期望价值(EVSI)与抽样净收益(ENGS)EVSI衡量特定抽样方案所获不完美信息的实际决策价值，ENGS=EVSI−CS给出扣除抽样成本后的净收益，为信息投资提供比EVPI更精确的依据。EVSI的计算逻辑EVSI=有抽样信息时的期望收益−先验最优方案的EMV*衡量抽样信息对决策质量的边际改善幅度EVSI=E[max]−EMV*计算步骤对每种抽样结果x计算后验最优决策的期望收益以P(x)为权重取期望，得到有信息的总体期望收益Posterior→WeightedΣ抽样净收益ENGSENGS=EVSI−CS（抽样成本）ENGS>0时抽样值得进行，否则应直接基于先验概率决策ENGS>0→SampleEVSI与EVPI的关系EVSI≤EVPI恒成立，样本信息不可能比完全情报更准确EVSI/EVPI的比值反映抽样方案的信息效率η=EVSI/EVPIBayesianDecisionTree贝叶斯决策树的构建与分析贝叶斯决策树通过决策节点、机会节点和终端收益的结构化组合，将多阶段决策过程可视化。采用从右往左的逆向分析法，在机会节点计算期望值、在决策节点选择最优分支，是理解和沟通复杂决策问题的有效工具。决策节点决策者在此选择行动方案，如"购买信息"或"不购买信息"，选择期望值最优的分支。期望值最优机会节点自然状态的不确定性在此展开，各分支标注状态概率和条件收益，计算期望值向上传递。概率传递逆向回溯分析从终端节点开始，在机会节点处计算期望收益，在决策节点处比较并选择最优分支，逐层向左回溯至根节点。逐层回溯后验信息决策初始决策节点比较"不购买信息的EMV*"与"购买信息后的期望收益−CS"，决定是否投资信息。EMV*比较SensitivityAnalysis贝叶斯决策的敏感性分析敏感性分析检验先验概率估计的偏差对最优决策的影响程度，是评估贝叶斯决策稳健性的关键环节。当决策结论在较大概率变动范围内保持稳定时，决策者可以对结果充满信心；反之则需谨慎对待或追加信息收集。分析目的检验先验概率估计的主观成分对最优决策的影响，评估决策结论对概率参数变化的稳健性。先验概率操作方法系统地调整关键状态的先验概率值，重新计算各方案EMV并观察最优方案是否发生切换。±10%~20%稳健性判读若概率在较大范围内变动时最优方案不变，决策结论可信度高；微小变化即导致方案切换则需追加信息。临界概率报告呈现通常以龙卷风图或临界概率表展示各状态概率的敏感区间，为决策者提供直观的风险参考。龙卷风图Chapter05综合案例实战与方法评价从理论到实践的全流程演练与贝叶斯决策法的系统评估BAYESIANDECISION案例背景：百货商场商品B进货决策某百货商场需确定商品B的最优日进货量。商品进价200元、售价600元，当天未售出的余货全部报废。基于过去200天销售记录，日销量θ∈{5,6,7,8,9}件，概率呈中间高两端低的分布，7件为最可能状态。基本参数01商品B进价200元/件、售价600元/件，单位利润400元；当天未售出的余货全部报废，单位损失200元02决策空间A={5,6,7,8,9}，即每天可选的进货量与可能的销量值相同状态空间与先验概率01日销量θ=5件：出现20天，P(θ₁)=0.1010%02日销量θ=6件：出现40天，P(θ₂)=0.2020%03日销量θ=7件：出现80天，P(θ₃)=0.4040%04日销量θ=8件：出现40天，P(θ₄)=0.2020%05日销量θ=9件：出现20天，P(θ₅)=0.1010%商品B日销量历史分布（200天）日销量7件出现频率最高，分布呈对称的中间高两端低形态BAYESIANDECISION条件收益矩阵的构建条件收益C(θ,a)在进货量≤销量时等于400a（全部售出），在进货量>销量时等于400θ-200(a-θ)（部分报废损失）。对角线元素（进货=销量）代表零机会损失的理想状态，每行最大值出现在进货等于销量时。商品B条件收益矩阵（单位：百元）销量θ/进货aa=5a=6a=7a=8a=9θ=5(P=0.1)2018161412θ=6(P=0.2)2024222018θ=7(P=0.4)2024282624θ=8(P=0.2)2024283230θ=9(P=0.1)2024283236对角线元素（进货=销量）为各行最大值，代表零机会损失的理想收益状态EMVANALYSIS期望收益计算与最优方案确定通过计算各进货方案的期望收益EMV，进货7件时期望收益达到最大值2460元，被确定为最优方案。EMV曲线呈现先升后降的倒U形态，反映了多进货的报废风险与少进货的机会损失之间的平衡。01EMV(5)=20.0百元：进货量过少导致在需求旺盛时损失大量潜在销售机会，期望收益最低缺货损失02EMV(7)=24.6百元=EMV*：在报废风险与缺货损失之间取得最优平衡，确定为最优进货方案a*=724.6百元03EMV(9)=20.0百元：进货量过多导致报废损失过大，在需求低迷时产生严重的库存报废成本报废风险各进货方案的期望收益EMV对比进货7件时EMV*=24.6百元（2460元）达到最大值，为最优进货方案BayesianDecisionAnalysis完全情报价值(EVPI)计算与解读完全情报价值EVPI=EPC-EMV*=2720-2460=260元，量化了因无法完美预测日销量而造成的每日期望利润损失。这260元是商场为获取完美销量预测信息所应支付的最高价格。EPC完全情报期望利润2,720元/日−EMV*最优决策期望利润2,460元/日=EVPI信息价值260元/日01EPC计算假设每天都能准确预知销量并进货等于销量，EPC=ΣP(θᵢ)×C(θᵢ,θᵢ)=0.1×20+0.2×24+0.4×28+0.2×32+0.1×36=27.2百元=2720元02EVPI计算EVPI=EPC−EMV*=2720−2460=260元，表示信息不完全导致的每日平均利润损失03损失来源解读260元损失由两部分构成——进货多于销量时的报废损失（库存浪费）和进货少于销量时的缺货损失（错失销售机会）04投资决策意义若有市场调研或预测服务可提升销量预测准确性，只要其日均费用低于260元，购买该服务就具有经济合理性BAYESIANPOSTERIORANALYSIS后验分析：引入市场调研信息的概率修正当商场购买市场调研服务获取补充信息后，需通过贝叶斯公式将先验概率更新为后验概率，再基于后验概率重新计算最优方案。若后验分析下的EVSI大于调研费用，则信息投资具有经济合理性。LIKELIHOOD调研报告结论调研报告可能给出"需求上升x₁""需求持平x₂""需求下降x₃"三种结论，每种结论在各真实状态下的条件概率构成似然函数。P(x₁|θ):需求上升P(x₂|θ):需求持平RELIABILITY可靠性特征真实需求高（θ=8,9）时P(x₁|θ)较高，真实需求低（θ=5,6）时P(x₃|θ)较高，反映调研报告的可靠性特征。高需求→高P(x₁|θ)低需求→高P(x₃|θ)BAYESUPDATE贝叶斯概率更新用贝叶斯公式将先验概率更新为后验概率，得到更精确的状态概率分布，为重新决策提供依据。P(θᵢ|x)=P(x|θᵢ)P(θᵢ)/ΣP(x|θⱼ)P(θⱼ)DECISIONEVSI投资决策基于后验概率重新计算各方案EMV并选择最优方案，比较EVSI与调研费用决定信息投资是否经济合理。决策准则EVSI>调研费用计算公式EVSI=EMV信息−EMV*BAYESIANDECISIONANALYSIS贝叶斯决策法的优势评价贝叶斯决策法以其数学严谨性、动态适应性和信息价值的量化能力成为风险型决策分析的核心工具。数据驱动的决策分析场景01数学科学性保证：贝叶斯定理严格证明"信息越多概率越准确、决策风险越低"，即信息的非负价值性质，为方法奠定坚实理论基础02动态学习与适应能力：支持随新信息到来持续更新概率和决策，特别适合信息逐步揭示的多阶段决策环境和在线学习场景03主观与客观的有机融合：先验概率融入决策者的行业经验和直觉判断，似然函数利用客观抽样数据，两者通过公式统一而非对立04信息投资理性量化：EVPI给出完美信息的价值上限，EVSI评估特定抽样方案的实际价值，为"是否购买信息"提供明确决策依据LIMITATIONS&CAVEATS贝叶斯决策法的局限性与注意事项贝叶斯决策法面临先验概率主观性、计算复杂性和似然函数确定困难等挑战。在实际应用中需要结合敏感性分析检验结论稳健性，并根据决策者的风险态度选择合适的决策函数。核心局限性先验概率的主观性不同决策者的经验和判断不同，可能给出差异较大的先验概率，影响最终决策的一致性和客观性。主观