-
主觀概率
鎖定
- 中文名
- 主觀概率
- 外文名
- Subjective Probability
- 定 義
- P (A)== fn(A）
- 表達式
- P(A)==k/N
- 適用條件
- 基本事件有限
- 參考文獻
- 上帝怎樣擲骰子
主觀概率基本信息
主觀概率決策樹
本章主要參考文獻：60，52，上帝怎樣擲骰子
主觀概率基本概念
概率
1. 頻率
fn(A)==Na/N
2.每個基本事件等可能
3.公理化定義
E是隨機試驗,S是E的樣本空間,對E的每一事件A,對應有確定實數P(A),若滿足:
① 非負性：0≤P(A)≤1
② 規範性： P(S)=1
③可列可加性：對兩兩不相容事件Ak (k=1,2…) (Ai∩ Aj=φ)
P(∪Ak)=∑P(Ak)
則稱P(A)為事件A發生的概率
詳細介紹
(subjective probability, likelihood)
1. 為什麼引入主觀概率
。有的自然狀態無法重複試驗
如：明天是否下雨
新產品銷路如何
明年國民經濟增長率如何
能否考上博士生
。試驗費用過於昂貴、代價過大
例：洲導彈命中率
戰爭中對敵方下一步行動的估計
2.主觀概率定義：合理的信念的測度
某人對特定事件會發生的可能的度量。
即他相信(認為)事件將會發生的可能性大小的程度。
這種相信的程度是一種信念，是主觀的，但又是根據經驗、各方面知識，對
客觀情況的瞭解進行分析、推理、綜合判斷而設定(Assignment)的，與主觀臆測不同。
概率的數學定義
對非空集Ω，元素ω，即Ω={ω}，F是Ω的子集A所構成的σ-域(即Ω∈F；若A∈F則A∈F；若Ai∈F i=1,2,…則∪Ai∈F)
若P(A)是定在F上的實值集函數，它滿足
① 非負性 P(A)≥0
② 規範性 P(Ω)=1
③可列可加性
則稱P(A)為直的(主以或客觀)概率測度，簡稱概率
ω為基本事件
A為事件
三元總體(Ω，F，P)稱為概率空間
注意：主觀概率和客觀概率（objective probability）有相同的定義
主客觀概率的比較
(一) 基本屬性：
O：系統的固有的客觀性質，在相同條件下重複試驗時頻經的極限
S：概率是觀察者而非系統的性質，是觀察者對對系統處於某狀態的信任程度
(二)拋硬幣：正面向上概率為1/2
O：只要硬幣均勻，拋法類似，次數足夠多，正面向上的概率就是1/2，這是簡單的
定義。
S：這確是定義，DMer認為硬幣是均勻的，正、反面出現的可能性(似然率)相同，1
/2是個主觀的量。
(三)下次拋硬幣出現正面的概率是1/2
O：這種説法不對，不重複試驗就談不上概率
S：對DMer來説，下次出現正、反是等可能的。但是他不是説硬幣本身是公正的，它可能會有偏差，就他現有知識而言，沒有理由預言一面出現的可能會大於另一面，但多次拋擲的觀察結果可以改變他的信念。
O、S：下次拋硬幣出現正面還是反面不能確定，但知道：
要麼是正面，要麼是反面。
先驗分佈(Prior distribution)及其設定
在決策分析中，尚未通過試驗收集狀態信息時所具有的信息叫先驗信息，由先驗信息所確定的概率分佈叫先驗分佈。
設定先驗分佈是Bayesean分析的需要.
設定先驗分佈時的幾點假設
1.連通性(Connectivity)，又稱可比性
即事件A和B發生的似然性likelihood是可以比較的：
A＞L B或A L B或B＞L A 必有一種也僅有一種成立.
** A＞L B讀作 A 發生的似然性大於B 發生的似然性,
A L B 讀作 A 發生的似然性與B 發生的似然性相當。
2.傳遞性(Transitivity)
若對事件A，B，C , A ＞L B， B ＞L C 則A ＞L C
3. 部分小於全體：若A?B則BL A
例：設定明年國民經濟增長率時：
①A：8～11% B：12～15% C：15～20%
若 A ＞L B， B ＞L C ， 則 A ＞L C
② A：8～11% D：8～10% 必有D ＞L A
離散型隨機變量先驗分佈的設定
1.對各事件加以比較確定相對似然率
例1. 考博士生 E：考取 E：考不取
若P(E)=2P(E) 則P(E)=2/3 P(E)=1/3
例2。某地氣候狀況：正常年景θ1，旱θ2，澇θ3
正常與災年之比：3∶2 則P（θ1）=0.6
水旱災之比1∶1 P(θ2)=P(θ3)=0.2
該法適用於狀態數較少的場合
2.打賭法
設 事件E發生時收入P，（0＜P ＜1） 且 E\c=(1—P)
調整P，使決策人感到兩者無差異為止, 則：P(E)=P
連續型RV的先驗分佈的設定
1.直方圖法
·該法適用於θ取值是實軸的的某個區間的情況
·步驟：①,將區間劃分子區間θi…離散化
②設定每個子區間的似然率π(θi)…賦值
③變換成概率密度曲線
例如：明年國民經濟的增長率
·缺點：①子區間的劃分沒有標準
②賦值不易
③尾部誤差過大
2.相對似然率法
·適用範圍：同1
步驟：①離散化
②賦值：給出各區間似然的相對比值
③規範化：
例如：同1
A. 相對似然率R 似然率π(A)
子區間8～9% 10 10/ΣR
7～8 9 9/ΣR
9～10 7.5 7.5/ΣR
B. 決策者給出每二個狀態似然率的比例關係
aij= pi/pj (1)
應有
aij= 1/aji (2)
aij=aik.akj (3)
在(3)式不滿足時，可用最小二乘法估計決策人心目中真正的主觀概率分佈Pi i=1,…，n
即求規劃問題
min{∑∑(aijpj - pi)}
s.t. ∑pi= 1 , pi≥0
L=
上式對 ，i=1,2…n求偏導數，並令其為0，得：
l=1,2,…,n.
與 聯列，構成n+1階齊次方程組，求得Pi, i=1,…，n
3.區間對分法
·適用範圍：可以是開區間
·步驟：①求中位
②確定上、下四分位點(quartile fractile)
③由於誤差積累,最多確定八分位點(Eighth fractile)
例：產品銷售量(預計明年)
·缺點：精度差
4.與給定形式的分佈函數相匹配
這是最常用，且常常被濫用的方法
·步驟：①選擇一個與先驗信息匹配得最好的函數
如正態，泊松，β，e-Cauchy分佈等
例：(a)在單位時間以恆常的平均比率入出現，則在T單位長度時間內該事件出現的次數服從Poisson分佈
2-4
(b)若影響某一隨機變量的因素很多而每一因素的作用均不顯著，則該變量服從正態分佈。例如，測量誤差，彈落點，人的生理特徵的度量，農作物產量等均服從正態分佈。
(c)事件A出現的概率為P，n次獨立試驗出現r次A的概率b(p,r,n)= . 即服從二項分佈。
②參數估計：
A.矩法：N(μ,σ) Be(α，β)
·缺點：尾部估計不準，但對矩的影響卻很大
B.分位數：利用幾個分位點和現成的概率密度
函數分位數表，估計參數並檢驗。
5. 概率盤法(dart)
用園盤中的扇形區表示抽獎事件, 透用於西方管理人員
·注意：狀態的概率或概率分佈不是也不應富由決策分析人員來設定，而應當由決策人和有關問題專家提供基本信息。
理由：
主觀概率無信息先驗分佈
為什麼要研究無信息先驗
·Bayesean法需要有先驗分佈，貝葉斯法的簡明性使人在無信息時也想用它。
設定無信息先驗分佈方式
1.位置參數
隨機變量X的概率密度函數形如f(x-θ)時θ∈ 稱為位置參數
其無信息先驗 π(θ)必為一常數
2.標度參數
X的密度函數為1/σf(x/σ)σ＞稱為標度密度σ稱為標度參數
其無信息先驗π(σ)=1/σ
主觀概率數據設定
有θ的統計數據
為能獲得θ的觀察值θi i=1,…,n的數據，則可：
①通過直方圖勾劃出先驗分佈
②選取可能的函數形式作為先驗分佈，再定參數
③求頻率(離散RV)
狀態θ不能直接觀察時
若直接觀察的只是與 有關的 (通常都是如此)則要從 中獲取 的先驗信息很困難： 的分佈是隨邊緣分佈m(.)而定的：
m(x)= 或m(x)=
X、Θ的聯合密度是h(x,θ)=f(x|θ)μ(θ)
由 估計m(x)不難，但即使f(x|θ)已知，由此估計μ(θ)
