- •Система прийняття рішень. Загальна задача прийняття рішення.
- •2. 3,4, Параментричні і непараметричні Ср. Лотерейна та Матрична ср. Приклади
- •Непараметричні ситуації прийняття рішень. Приклади.
- •5,6 Перетворення мсср у лсср. Перетворення лсср у мсрр. Еквівалентність
- •6.Перехід від лотерейної до матричної ситуації прийняття рішень та повернення до тієї ж лспр.
- •5.Перехід від матричної моделі до лотерейної
- •11, 12. Перетворення ммср і лмср при стохастичній закономірності
- •1 3. Функція корисності
- •18. Функція втрат. Невід’ємна функція витрат
- •17. Очікувана корисність. Теорема Наймана-Моргенштерна
- •19. Критерій Вальда
- •20. Критерій Севіджа
- •21. Критерій Гуровіця
- •22. Критерій Лапласа
- •23. Система принятия решения и задача решения
- •24. Частково впорядкована множина[ред.]
- •Спеціальні типи частково впорядкованих множин [ред.] Лінійно впорядковані множини [ред.]
- •Цілком впорядковані множини [ред.]
- •Повна частково впорядкована множина [ред.]
- •25. Баєсівський ризик та баєсівське рішення
- •Байєсівський ризик
- •26. Увігнутість баєсівського рішення
- •27,Рандомізація у теорії ігор та теорії рішень.
- •27 Рандомизация и смешанные решения
- •29. Допустима та баєсівська границі у зр зі скінченними просторами
- •33. Побудова байєсівських вирішуючих функції екстенсивним методом
- •35 Лема Неймана –Пірсона.
- •36. Опуклі функції. Нерівність Єнсена
- •39,Системи Підтримки прийняття рішень
- •Класифікація сппр
- •42. Вибірковий простір. Події та їх ймовірності.
- •43 Залежні й незалежні випадкові події,
- •44 Умовна ймовірність та її властивості.
- •45. Случайные величины и их распределения
Цілком впорядковані множини [ред.]
Докладніше: Цілком впорядковані множини
Лінійно впорядкована множина називається цілком впорядкованою (англ. well-ordered), якщо кожна його непорожня підмножина має найменший елемент[4]. Такий порядок на множині називається повним порядком (англ. well-order), в контексті, де його неможливо сплутати з повним порядком в сенсі повних частково впорядкованих множин, (англ. complete order).
Класичний
приклад цілком впорядкованої множини
- множина натуральних
чисел
.
Твердження про те, що будь-яка непорожня
підмножина
містить
найменший елемент, рівносильно принципу
математичної індукції.
Як приклад лінійно впорядкованої, але
не цілком впорядкованої множини можна
привести множину невід'ємних чисел,
впорядковану природним чином
.
Дійсно, його підмножина
не
має найменшого елемента.
Цілком впорядковані множини грають виключно важливу роль в загальній теорії множин.
Повна частково впорядкована множина [ред.]
Повна частково впорядкована множина (англ. complete partial ordered, ω-complete partial ordered) - частково впорядкована множина, у якої є дно - єдиний елемент, який передує будь-якому іншому елементу і у кожної спрямованої підмножини, у якої є точна верхня межа[5]. Повні частково впорядковані множини застосовуються в λ-обчисленнях і інформатиці, зокрема, на них вводиться топологія Скотта, на основі якої будується несуперечлива модель λ-обчислення і денотаційна семантика обчислень. Спеціальним випадком повної частково впорядкованої множини є повні ґратки - якщо будь-яка підмножина, не обов'язково спрямована, має точну верхню грань, то вона виявляється повними ґратками.
Впорядкована
множина
тоді
і тільки тоді є повною частково
впорядкованою, коли будь-яка
функція
, монотонна відносно
порядку
володіє
хоча б одною нерухомою
точкою:
.
Будь-яку
множину
можна
перетворити на повну частково впорядковану
виділенням дна
і
визначенням порядку
як
і
для
всіх елементів
множини
.
25. Баєсівський ризик та баєсівське рішення
Байєсівський ризик
Розглядаючи задачу рішення з простором параметрів Ω, простором рішень D і функцією втрат L.
Для певного розподілу Р параметру W, баєсівський ризик ρ*(P) – це точна нижня грань ризиків ρ (P,d) по всіх ризиках d.
ρ*(P)=infd є D ( ρ(P,d) ).
Кожне рішення, ризик якого рівний баєсівському ризику називається баєсівським рішенням при розподілі Р. тобто, ρ(P,d*) = ρ*(P) => d* -- баєсівське.
Виявляється, можлива ситуація, коли немає баєсівського рішення – таке можливо тільки тоді, коли нижня грань за формулою баєсівської границі не досягається ні при одному d є D.
Тоді, вибирається баєсівське рішення, яке «достатньо мало» відрізняється від баєсівського.
26. Увігнутість баєсівського рішення
Увігнутість баєсівського ризику можна доводити двома способами -- простим і де Гроот-івським. Отже, спочатку простим:
1)
як видно на першому малюнку, баєсівський
ризик формується як мінімум зі всіх
ризиків, які присутні в ситуації. /*
тобто, на графіку вибирається мінімальна
точка по у для кожного х.*/
Розглянемо простішу ситуацію – по суті, баєсівський ризик – це просто перетин півплощин (мал 2)…
А оскільки півплощина – це опукла множина, а перетин опуклих множин – це опукла множина, то і перетин всіх наших півплощин, утворених ризиками, також буде опуклою множиною.
Невеликий коментар: Чому ризик увігнутий? Тобто, чому в точці 0 та 1 (вісь p - ймовірність) ризик нульовий. Це значить, що коли ймовірність випадкової величини θ дорівнює нулю або одиниці (точно відбудеться, або точно не відбудеться P(θ)=0 або P(θ)=1), тоді ми не завдаємо собі жодного ризику,оскільки точно знаємо розподіл.
2) є і інший спосіб, чисто по формулі. (мал 3).
Як мало б бути видно з малюнка (але ми ци будемо зараз доводити):
ρ(α * p1+(1-α) * p2,d)≥ α * ρ*(p1) + (1-α) * ρ*(p2,d).
доводимо ми це за властивістю інтеграла:
ρ((α*p1+(1-α)p2),d)=α*ρ(p1,d)+(1-α)*ρ(p2,d).
ρ*(α* p1+(1-α)*p2)=infd[ρ( (α*p1 + (1-α)*p2) ,d)]=infd [α*ρ(p1,d) + (1-α)*ρ(p2,d)] ≥ α*infd [ρ(p1,d)] + (1-α)*infd [ρ(p2,d) ]= /*крок шо був перед цим було зроблено «за властивістю інфінума» -- сума інфінумів менша або така ж, як інфінум суми.*/ =α* ρ*(p1) + (1-α)*ρ*(p2). Доведено.
