趣学贝叶斯统计：条件概率（2）

3. 贝叶斯定理

$$P(A|B)=\frac{P(A)\ast P(B|A)}{P(B)}$$
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：
$$P(观察|信念)$$

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)=$\frac{8}{100}$
P(B)=P(患上GBS|接种流感疫苗)=$\frac{3}{100000}$
求P(A or B)=P(A)+P(B)-P(A)*P(B)=0.0800276