贝叶斯修正(Bayes Revision)
如果您的模型包含不完美的检验或预测,且其后跟随决策,您可能希望使用 TreeAge Pro 的贝叶斯修正功能。
TreeAge Pro 可以利用贝叶斯定理(Bayes' theorem)自动进行概率修正。该过程在模型初次构建时执行一次。根据您对几个问题的回答,TreeAge Pro 会生成一组计算修正概率的变量定义。每次对模型求值时都会重新计算这些概率表达式,因此当您对先验概率和似然概率(定义见下文)的估计发生变化时,结果也会随之改变。
贝叶斯修正在树编辑器窗口中实现。树窗口中的贝叶斯修正可以根据单个检验自动修正概率。在同一个模型中,可以针对不同检验多次执行该过程。
在模型中应用贝叶斯定理有两种方法,本节稍后将分别介绍:
使用贝叶斯定理进行概率修正
贝叶斯修正让决策者能够由似然概率计算决策概率。似然概率(或预测似然)回答的是诸如“如果对一个已知有缺陷的零件执行该检验,得到提示存在问题的阳性结果的概率是多少?”这类问题。这类概率信息通常可以获得,但不能直接用于决策。真正需要的是决策概率,它回答的是诸如“如果某个特定零件检验结果为阳性,它确实有缺陷的概率是多少?”这类问题。
决策概率之所以得名,是因为在现实世界中,决策正是基于这些概率作出的。它们有时也被称为后验(posterior 或 a posteriori)概率。
修正概率的基本公式为:

其中 H 为假设(例如有缺陷或无缺陷),E 为证据(例如检验结果)。该公式对每个“假设—证据”组合各应用一次——例如 P(无缺陷|阳性),即在检验结果为阳性时无缺陷的概率。P(H) 表示该状况的先验(prior 或 a priori)概率。P(E) 是边际概率(marginal probability),在修正过程中一并计算得出。
一个简单的数值示例
以下示例旨在让您体会贝叶斯修正的潜在用途。如果您已经熟悉需要贝叶斯修正的应用类型,可以跳过本节。
设想一种用于检测半导体缺陷的自动化检验。受检物品中有 1% 存在该缺陷。已知现有检验能检出 98% 的有缺陷材料,也就是说,2% 带缺陷的元件不会被该检验发现。此外,已知该检验会把 3% 无缺陷的元件错误地判定为有缺陷。
您正在考虑在工厂中安装一台机器来执行这项检验。检验结果为阳性的零件确实存在缺陷的可能性有多大?对于检验结果为阴性的零件,您能有多大把握认定它们没有缺陷?上面提供的关于检验设备准确性的信息,并不能直接回答这些关键问题。

假设我们有一批 10,000 件待检物品。
如果缺陷的先验概率估计为 1%,那么这批物品中预计有 100 件存在缺陷。其中约 98 件应检验为阳性。在 9,900 件无缺陷的元件中,如前所述约有 3%(297 件)会检验为阳性。
因此,共有 395 件(297 + 98)受检对象检验为阳性(这是边际检验概率之一)。
如下图所示,用树来图示和计算时,贝叶斯修正公式会显得十分直观。
第一个修正后的决策概率是比值 98/395,约为 25%。这就是检验结果为阳性时确实存在缺陷的概率。在本例中,75% 的阳性检验结果是错误的。其余决策概率也以类似方式计算。有了这些信息,决策者就可以将新检验的表现与现有方法或竞争技术进行比较。
