Chardonnay

Bakgrundden förväntade nyttan för s 2 blir störst, varpå beslutsstödsystemet råder befälhavarenatt öppna eld.2.2.3 Bayesiansk hypotesprövningInom vissa områden bygger beslut ofta på vad en motpart förväntas göra, till exempelhandlar beslutsfattandet i exemplet i stycke 2.2.2 till stor grad om att bestämma vilkenav de olika världarna som är den troligaste, det vill säga om fienden har attackerateller ej. Denna typ av förutsägelser, som inom det militära används vidsituationsanalys och hotanalys (se kapitel 2.3), är exempel på hypotesprövning.Hypotesprövning kan därför sägas ligga till grund för beslutsfattande där denmaximala nyttan ska tas fram.Tanken med bayesiansk hypotesprövning är enligt Lindberg (2002) att istället för attbedöma hur trolig en viss hypotes är, givet vissa underrättelser, vända påfrågeställningen. Det som istället bedöms är sannolikheten för att få in olikaunderrättelser, givet att den riktiga hypotesen är känd (Lindberg, 2002). För att svarapå den ursprungliga frågan kan sedan Bayes teorem användas. Bayes teorem kanformuleras med lite andra beteckningar än i stycke 2.2.1 för att mer passa in ikontexten av hypotesprövning. Teoremet kan då skrivas:p(D | H,I)p ( H | D,I)= p(H | I)(2.5)p(D | I)där I = priori-information, D = erhållen data och H = hypotesen som ska prövas(Lindberg, 2002).Genom att använda produktregeln (formel 2.2) kan Bayes teorem utvecklas till attgälla för fall där det finns tillgång till en mängd olika data (Lindberg, 2002):p(D1| H,I)p(D2| D1, H,I)p(D3| D2, D1, H,I)p ( H | D1, D2, D3,I)= p(H | I)(2.6)p(D | I)p(D | I)p(D | I)Genom att använda lagen om oberoende händelser kan formel 2.6, givet att de olikaunderrättelserna är oberoende, förenklas till:p(D1| H,I)p(D2| H,I)p(D3| H,I)p ( H | D1, D2, D3,I)= p(H | I)(2.7)p(D | I)p(D | I)p(D | I)1Den bayesianska metodiken är långtifrån obestridd. Vissa kritiker menar attsannolikheter kräver uppräkning av alla möjligheter, vilket de hävdar kräver väldigtmycket lagringsutrymme och så mycket beräkningar att metoder som bygger påsannolikhet beräkningsmässigt blir ogenomförbara (Das, 1999). En lösning på dettasom föreslagits i litteraturen är användandet av så kallade bayesianska nätverk(Jensen, 1996; Runqvist, 2004). Detta område beskrivs närmare i kapitel 5.1. Ettproblem som fortfarande kräver en lösning om angreppssättet med bayesianskanätverk väljs är att omvandla ett kunskapstillstånd till en sannolikhetstilldelning. Das(1999) konstaterar att problemet är långt ifrån löst och att detta är ett fält där det krävsfortsatt forskning. Davies Withers (2002) konstaterar att bayesiansk inferens kan varakänsligt för valet av prior-sannolikheter, något som också visades i stycke 2.2.1. Honhävdar att detta gör att vissa forskare anser att den bayesianska metodiken är alltförsubjektiv för att kunna användas. Trots allt har den bayesianska metodiken dock visatsig framgångsfull i väldigt många områden varför den är ett utmärkt val underförutsättning att valet av prior-sannolikheter görs grundat på kunskap omtillämpningsområdet (Davies Withers, 2002).192233