贝叶斯方法（实例1）——概率分布

频率派认为概率是事件在长时间内发生的频率；贝叶斯派把概率解释成是对事件发生的信心。

如果频率推断和贝叶斯推断是一种编程函数，输入是各种统计问题，那么这两个函数返回的结果可能是不同的。频率推断返回一个估计值（通常是统计量），而贝叶斯推断则会返回概率值。

实例：图书管理员还是农民

---

故事的灵感来自于Daniel Kahneman的《思考，快与慢》一书，史蒂文被描述为一个害羞的人，他乐于助人，但是他对其他人不太关注。他非常乐见事情处于合理的顺序，并对他的工作非常细心。你会认为史蒂文是一个图书管理员还是一个农民？

从上面的描述来看，大多数人会认为史蒂文更像是图书管理员，但是却忽略了一个关于图书管理员和农民的事实：男性图书管理员的人数只有男性农民的1/20。所以，从统计学来看史蒂文更有可能是一个农民。

把问题简化，假设世上只有两种职业——图书管理员和农民，并且农民的数量确实是图书管理员的20倍。

设事件A为史蒂文是一个图书管理员。如果我们没有史蒂文的任何信息，那么P(A) = 1/21 = 0.047，这是我们的先验。

现在假设从史蒂文的邻居们那里得到了关于他的一些消息，我们称它为X。我们想知道的就是P(A|X)，由贝叶斯定理得：

P(X|A)可以被定义为在史蒂文真的是一个图书管理员的情况下，邻居们给出的某种描述的概率。即如果史蒂文真的是一个图书管理员，他的邻居们将他描述为一个图书管理员的概率，这个值可能接近于1，假设它为0.95。

P(X)可以解释为：任何人对史蒂文的描述和史蒂文邻居的描述一致的概率。我们将其改造为： P(X)=P(X and A) + P(X and ~A)=P(X|A)P(A) + P(X|~A)P(~A) 其中~A表示史蒂文不是一个图书管理员的事件，那么他一定是一个农民。

现在我们知道P(X|A)和P(A)，另外也可知P(~A)=1-P(A)=20/21。现在我们只需知道P(X|~A)，即在史蒂文为一个农民的情况下，史蒂文的邻居们给出的某种描述的概率即可，假设它为0.5，这样 P(X)=0.95*1/21 + 0.5*20/21=0.52

结合以上，P(A|X)=(0.95*1/21)/0.52=0.087

这个值并不算高，但考虑到农民的数量比图书管理员的数量多那么多，这个结果也非常合理了。

具体实现代码如下：

# -*- coding: utf-8 -*-
from IPython.core.pylabtools import figsize
import numpy as np
from matplotlib import pyplot as plt

figsize(12.5, 4)
plt.rcParams['savefig.dpi'] = 100
plt.rcParams['figure.dpi'