Теория принятия решений и оценивания¶

Раздел посвящен методам синтеза показателей, минимизации рисков и работе с интервальными данными.

⚖️ Взвешенная аддитивная свёртка и AHP¶

Метод используется для построения интегрального показателя $R$ на основе нескольких критериев, где каждый критерий имеет свой вес.

Процесс построения:¶

Определение весов (AHP): С помощью метода анализа иерархий (А. Саати) проводятся попарные сравнения критериев. Результатом является вектор приоритетов $\omega_i$ (нормированные веса).
Нормировка данных: Все частные показатели $x_i$ приводятся к единой шкале (обычно $[0, 1]$).
Синтез (Аддитивная свёртка): Вычисляется итоговый показатель по формуле: $$R = \sum_{i=1}^{n} \omega_i \cdot x_i$$

Достоверность¶

Для подтверждения достоверности результата в AHP вычисляется индекс согласованности (CR). Если эксперты противоречат себе при попарных сравнениях, результат считается недостоверным.

📉 Байесовский критерий минимума ожидаемых потерь¶

Применяется в задачах статистического обнаружения и классификации для определения оптимального порога принятия решения.

Суть метода¶

Цель — минимизировать функцию общего риска (ожидаемые потери), которая зависит от стоимости ошибок: - Ошибка 1-го рода (ложная тревога). - Ошибка 2-го рода (пропуск цели).

Адаптивный порог $\tau(a)$¶

Вывод адаптивного порога принятия решения: $$\tau(a) = 1 - \frac{V}{C(a)}$$

Где: - $C(a)$ — стоимость ошибки (штраф) при выборе альтернативы $a$. - $V$ — величина, связанная с априорными вероятностями и стоимостью альтернативной ошибки.

Правило принятия решения: Если отношение правдоподобия $\Lambda(z) = \frac{p(z|H_1)}{p(z|H_0)} > \tau(a)$, принимается решение в пользу альтернативы $H_1$.

📏 Интервальное оценивание¶

Метод работы с данными, представленными не точками, а интервалами $[a_i, b_i]$, что позволяет учитывать неустранимую погрешность «дешёвых» сигналов.

Двусторонняя оценка $[R_{lower}, R_{upper}]$¶

Вместо точечного значения $\theta^*$ вычисляются границы: - Нижняя граница $R_{lower}$: $\min$ значения точечной оценки по всем возможным выборкам внутри интервалов. - Верхняя граница $R_{upper}$: $\max$ значения точечной оценки по всем возможным выборкам внутри интервалов.

Каскад и Теорема 1 (Асимптотика)¶

Метод лежит в основе построения каскадных систем оценивания. Согласно Теореме 1 (об асимптотических свойствах границ вероятности согласия): При стремлении объема выборки $n \to \infty$, интервал неопределенности вероятности согласия стремится к $[0, 1]$.

Вывод: Простое увеличение количества измерений («дешевых сигналов») не позволяет бесконечно повышать точность идентификации закона распределения, если погрешность $\epsilon$ является неустранимой.