- •Определение оценки и вероятности.
- •Имитационное моделирование как метод оценки вероятностей.
- •Имитационное моделирование поведения людей.
- •Разработка управленческих решений для рискованных ситуаций.
- •III. Обзор и классификация стилей и моделей управления
- •IV. Использование новых информационных технологий управления
- •VI. Принятие решений при условиях риска в реальном времени.
- •4. Компромиссы Парето.
- •VIII. Вероятностно-статистические основы управления
- •Случайные события.
- •Понятие вероятности.
- •Вероятности составных событий.
- •Условная вероятность и независимые события.
- •Формула Байеса.
- •Случайные величины.
- •Распределения и закон больших чисел
- •1. Относительные погрешности наблюдённых частостей убывают с ростом числа наблюдений.
- •Важнейшие функции распределения и теорема Чебышева.
- •Основные понятия математической статистики.
- •Моменты.
- •Связь матожидания и среднего арифметического.
- •Получение оценок вычислением моментов.
- •Оценки положения.
- •Характеристики оценок.
- •Об имитационном моделировании
- •Задачи по теории вероятностей.
- •Социальное управление за счет влияния на решающие правила человека
- •Особенности управления социальными процессами в России.
- •Формулы алгебры множеств
- •Задачи к контрольной по всоу
- •IX. Математические методы принятия решений
- •1.1. Постановка задачи и основные определения
- •1.3. Вид функции полезности
- •X. Методы принятия решений людьми
- •2.1. Алогичность человеческих решений
- •2.1.1. Нарушение транзитивности
- •2.1.2. Отход от оптимальности
- •2.2. Свойства памяти человека
- •2.3. Влияние неопределенности на способы принятия решений обычными людьми
- •2.4. Принятие решений в малых группах
Формула Байеса.
Весьма часто возникает следующая ситуация: до исследования мы имеем некоторые знания о вероятностях тех или иных событий, но под давлением вновь поступивших фактов вынуждены переоценить их. Как это сделать корректно? Ответ на этот вопрос даёт формула Байеса.
Первоначальные, "доопытные" вероятности называются априорными, а изменённые по результатам опыта - апостериорными. Теорема Байеса устанавливает количественную связь между ними.
Р ис 5
Условия, при которых справедлива теорема Байеса, поясним следующим примером, которому соответствует рис.5.
Допустим, множество U разбито на три класса, то есть на три попарно несовместных события. Какое-нибудь из них обязательно происходит. Назовём их «конкурирующими причинами». Ещё есть событие Е, которое может происходить совместно с любой из «причин». Естественно назвать его «следствием». Вероятности известны. Условные вероятности - тоже известны. Допустим далее, что событие Е произошло. Ясно, что имело место и одно из событий С1 , С2 ,С3 , но мы не знаем, какое именно. Спрашивается, как изменилось наше представление о том, что событие Е вызвала именно "причина" ? Другими словами, требуется оценить условную вероятность для всех значений i. Другими словами, требуется оценить -относительные площади пересечений на рис 5.
Событие Е можно представить как - то есть как объединение трёх пересечений. Вероятность его можно вычислить по формуле:
. Кроме этого, мы имеем тождество:
, откуда получим:
. (**)
Поскольку и числитель, и знаменатель последнего выражения известны, мы можем оценить искомые условные вероятности. Формула (**) и есть формула Байеса. Мы показали её справедливость для трёх конкурирующих причин, но она тривиально обобщается на любое их количество.
Пример. Пусть С1 событие, заключающееся в наличии у данного человека туберкулёза, а С2 – отражает отсутствие у него туберкулеза. Допустим, туберкулёзом болеет 0,5% населения. Значит, априорные вероятности . Пусть событие Е заключается в наличии затемнения флюорограммы. При наличии туберкулёза флюорограмма затемнена в 95% случаев, у нетуберкулезников - в 15% случаев (Это может быть вызвано погрешностями фотопроцесса или нарушениями в легких нетуберкулёзного характера).
Положим, некий человек сделал флюорограмму и на ней видно затемнение лёгких. Событие Е наступило. Как следует переоценить вероятности наличия и отсутствия у него туберкулёза?
Имеем: . По формуле Байеса получим:
.
То есть, затемнение флюорограммы заставляет считать, что вероятность наличия туберкулёза у пациента увеличилась от 0,5% до ~3,1%. То есть апостериорная (послеопытная) вероятность в шесть раз больше априорной (доопытной).
Случайные величины.
Случайной называется величина, которая с какой-то вероятностью принимает одно определённое значение из некоего диапазона. Понятие случайной величины в теории вероятностей не менее фундаментально, чем понятие вероятности.
Примеры.
Число посетителей данного магазина в течение рабочего дня;
число граммов сахара, проданных за этот день в этом магазине;
число ДТП со смертельным исходом, случившихся в регионе за квартал;
и тому подобное.
Следует всегда помнить, что
Появление различных значений данной случайной величины - попарно несовместные события:
магазин в день могут посетить 34 или 45 человек, но такой ситуации, когда магазин в течение дня посетило 34 и в тоже время 45 человек, быть не может.
Вопрос: если величина случайна, и мы не можем знать наперёд, какое значение она примет, то, что мы вообще можем знать о ней?
Ответ: мы можем знать вероятность её попадания в более или менее узкие диапазоны.
В наилучшем, предельном случае мы можем знать вероятность появления того или иного конкретного значения данной случайной величины.