3. 贝叶斯定理
P
(
A
∣
B
)
=
P
(
A
)
∗
P
(
B
∣
A
)
P
(
B
)
P(A|B)=\frac{P(A)*P(B|A)}{P(B)}
P(A∣B)=P(B)P(A)∗P(B∣A)
为了理解贝叶斯定理如此重要的原因,我们来看看这个问题的一般形式。信念描述了我们所知道的世界,当观察到某件事情时,它的条件概率就代表了在我们相信的前提下自己所见事情的可能性,即:
P
(
观察
∣
信念
)
P(观察|信念)
P(观察∣信念)
例如,你相信气候正在变化,因此你假设所居住的地区10年内会发生更多的干旱。你的信念是气候变化正在发生,你的观察结果是所在地区的干旱次数。假设过去10年里发生过5次干旱。如果在过去的10年里确实发生了气候变化,要确定你在过去10年中刚好观察到5次干旱的概率有多大,这可能会很困难。一种方法是咨询气候专家,询问他们在气候的确发生变化的假设下出现干旱的概率。
如果气候专家说假设气候变化正在发生,那么10年内发生5次干旱是非常有可能的。大多数人可能会因此改变之前的信念,并且会更支持气候变化这一观点,不管他们以前是否持怀疑态度。
然而,如果气候专家告诉你说,即使气候变化正在发生,10年内发生5次干旱的可能性也非常小,那么你先前对气候变化的信念会因为与数据相左而略有减弱。这里的关键是,贝叶斯定理允许数据改变我们对信念的相信程度。
贝叶斯定理允许我们将对世界的信念与数据结合起来,然后根据我们观察到的情况把这种结合转化为对信念强度的估计。
很多时候,信念只是我们对一个想法的初始确定程度,也就是贝叶斯定理中的P(A).
之后,你会看到如何比较信念,以及数据竟然无法改变信念的情况。(任何在晚餐时与亲戚争论过的人都可以为此证明!hahahaha)
4. 小结
在本章中,我们学习了条件概率,它是指一个事件发生的概率依赖于另一个事件。条件概率的处理比独立事件的概率更复杂——必须更新乘法法则来解释概率的依赖性——由此我们推导出了贝叶斯定理。这为理解如何使用数据来更新自己对世界的看法奠定了基础。
5. 练习
试着回答以下问题,检验一下你对条件概率和贝叶斯定理的理解程度。
(1) 还需要什么信息才能够通过贝叶斯定理确定2010年患GBS的人群也接种了流感疫苗的概率?
求:P(接种流感疫苗|患病GBS)
事件A: 2010年患GBS的人群接种了流感疫苗(在B条件上的额外条件)
事件B: 2010年患上GBS的概率(条件)
P(A):接种流感疫苗的概率
P(B):患上GBS的概率
P(B|A): 患上GBS|接种流感疫苗(接种流感疫苗人群中患上GBS的概率)
(2) 从人群中随机选择一个人,这个人是女性且非色盲的概率有多大?
求P(女性,非色盲)
P(女性)=0.5
P(色盲|女性)=0.005
P(非色盲|女性)=0.995
P(女性,非色盲)=P(女性)P(非色盲)=0.50.995=0.4975
(3) 一名男性在2010年接种了流感疫苗,他是色盲或患有GBS的概率有多大?
男性只影响色盲,接种流感疫苗只影响患上GBS。
所以:
P(A)=P(色盲|男性)=
8
100
\frac{8}{100}
1008
P(B)=P(患上GBS|接种流感疫苗)=
3
100000
\frac{3}{100000}
1000003
求P(A or B)=P(A)+P(B)-P(A)*P(B)=0.0800276