DOCUMENTATION

Ứng dụng Bayesian: Prior Alpha, Beta

Nguyên lý thiết lập xác suất tiên nghiệm (Prior) α/β và lộ trình học tự động của Engine Bayesian

Bài viết này được viết để giúp người dùng EXAWin hiểu sâu về cốt lõi hệ thống — Engine Bayesian, đặc biệt là nguyên lý cấu hình Prior $\alpha$ / $\beta$ và lộ trình học tự động. Nội dung này quá chi tiết cho trang trợ giúp, nhưng lại quá quan trọng để bỏ qua.

Lái xe không cần tháo lắp động cơ. Nhưng người lái hiểu cách động cơ hoạt động sẽ lái tốt hơn — hiểu được phản hồi của chân ga, không hoảng khi đèn cảnh báo bật sáng, nắm bắt trực giác giới hạn và tiềm năng của xe. Engine Bayesian của EXAWin cũng vậy. Hiểu cách nó hoạt động nghĩa là bạn không mù quáng tin vào con số hệ thống đưa ra, mà hiểu tại sao con số đó như vậy, tin tưởng hệ thống và tối đa hóa giá trị của nó.

EXAWin sử dụng mô hình NSBI (Normalized Sequential Bayesian Inference). Chúng ta sẽ bắt đầu câu chuyện về cách engine này chuyển đổi tài sản vô hình của doanh nghiệp — trực giác, kinh nghiệm, cảm nhận thị trường — thành 💡 Prior (Xác suất tiên nghiệm), ngôn ngữ toán học vững chắc.

Tham khảo thêm:

Mở đầu: Mọi dự đoán đều bắt đầu từ định kiến

"Không tồn tại dự đoán không có định kiến." Đây là một trong những đồng thuận căn bản nhất của thống kê hiện đại. Thomas Bayes (1701-1761) đã để lại một bài luận di cảo thay đổi vĩnh viễn cách con người đối mặt với sự bất định: Kết hợp kiến thức đã có (niềm tin tiên nghiệm) với quan sát mới (dữ liệu) sẽ đạt được kiến thức tốt hơn (niềm tin hậu nghiệm).

Chương 1. Định lý Bayes

P(\theta \mid D) = \frac{P(D \mid \theta) \cdot P(\theta)}{P(D)}

Ký hiệu	Ngôn ngữ kinh doanh	Ý nghĩa
$P(\theta)$	Prior	Xác suất thành công ước tính chỉ từ kinh nghiệm
$P(D \mid \theta)$	Likelihood	Mức độ giải thích hoạt động kinh doanh quan sát được
$P(\theta \mid D)$	Posterior	Xác suất cập nhật sau khi thu nhận bằng chứng

Học tuần tự

P(\theta \mid D_1, \ldots, D_n) \propto P(\theta) \cdot \prod_{i=1}^{n} P(D_i \mid \theta)

Chương 2. Phân phối Beta

Tham số	Giải thích kinh doanh	Vai trò
$\alpha$	Số lần "thành công" ảo	Đẩy phân phối sang phải
$\beta$	Số lần "thất bại" ảo	Đẩy phân phối sang trái
$\alpha + \beta$	Tổng thí nghiệm ảo = Độ mạnh niềm tin	Làm phân phối nhọn hơn

$E[\theta] = \frac{\alpha}{\alpha + \beta}$ , $\text{Var}[\theta] = \frac{\alpha \beta}{(\alpha + \beta)^2 (\alpha + \beta + 1)}$

Chương 3. Prior liên hợp

\theta \mid k, n \sim \text{Beta}(\alpha + k, \, \beta + n - k)

Trung bình hậu nghiệm là trung bình có trọng số giữa Prior và dữ liệu. Khi $n \to \infty$ , ảnh hưởng Prior biến mất hoàn toàn — 💡 tính nhất quán hậu nghiệm.

Chương 4. Bayes thực nghiệm

Ước lượng moment

\alpha = \bar{x} \left( \frac{\bar{x}(1-\bar{x})}{s^{2}} - 1 \right), \quad \beta = (1-\bar{x}) \left( \frac{\bar{x}(1-\bar{x})}{s^{2}} - 1 \right)

MLE

Giải phương trình digamma bằng Newton-Raphson. EXAWin tự động thực hiện từ Phase 3.

Chương 5. Lộ trình tiến hóa thông minh

Phase	min(Won, Lost)	Phạm vi
❌ 1	< 5	Không phân tích được
🟠 2	5~9	Chỉ hiển thị (khóa áp dụng)
✅ 3	10~19	Impact, T, k + MCMC
🟢 4	20~49	Toàn bộ + MCMC
🔵 5	50+	Toàn bộ + MCMC ổn định

Chi tiết: AT-01. Kiến trúc tổng thể ~ AT-06. MCMC

Chương 6. Bằng chứng trưởng thành

Giai đoạn	Trạng thái
🌱 Sơ khai	$\alpha+\beta+n < 15$ — nhạy cảm với kích thích nhỏ
🌿 Phát triển	$15 \leq \alpha+\beta+n < 50$ — tìm được trung tâm ổn định
🌳 Trưởng thành	$\alpha+\beta+n \geq 50$ — độ tin cậy cấp chuyên gia

Chương 7. Đảm bảo lý thuyết

P(\theta \in U \mid D_1, \ldots, D_n) \xrightarrow{a.s.} 1 \quad (n \to \infty)

Dù Prior đặt ở đâu, dữ liệu đủ nhiều thì hậu nghiệm hội tụ về giá trị thực.

Kết. Khoảnh khắc trọng lượng niềm tin thay đổi

Thiết lập Prior của EXAWin dựa trên 260 năm bảo đảm toán học — từ bài luận di cảo của Bayes (1763) đến định lý nhất quán hậu nghiệm (2003).

Tài liệu tham khảo

Bayes, T. (1763). Phil. Trans. R. Soc. London, 53, 370-418.
Robbins, H. (1956). Proc. 3rd Berkeley Symp., 1, 157-163.
Efron, B. & Morris, C. (1975). JASA, 70(350), 311-319.
Gelman, A. et al. (2013). Bayesian Data Analysis, 3rd Ed.
Ghosh, J.K. & Ramamoorthi, R.V. (2003). Bayesian Nonparametrics. Springer.