在概率论与数理统计中,有两个相当重要的公式——全概率公式与贝叶斯公式。然而很多人对这两个公式感到非常迷茫。一来不知道公式背后的意义所在,二来不知道这些冰冷的公式能有什么现实应用。
1. 全概率公式
在讲全概率公式之前,首先要理解什么是“完备事件群”。
我们将满足
这样的一组事件称为一个“完备事件群”。简而言之,就是事件之间两两互斥,所有事件的并集是整个样本空间(必然事件)。
假设我们要研究事件A。我们希望能够求出P(A)P(A),但是经过一番探索,却发现P(A)P(A)本身很难直接求出,不过却能够比较容易地求出各个P(Bi)P(Bi),以及相应的条件概率P(A|Bi)P(A|Bi)。
能不能根据这些信息,间接地求出P(A)P(A)呢?
这当然是可以的。
我们不要忘记,BiBi是两两互斥的。
显然,AB1AB1,AB2AB2,AB3AB3,⋯⋯也是两两互斥的。1
一说到两两互斥,我们就想到了概率的加法定理:2
再根据条件概率的定义,我们得到了教科书上的全概率公式:
这样费了一番周折,我们总算得到了所求的P(A)P(A)。可以发现,虽然P(A)P(A)本身不好求,但我们可以根据它散落的“碎片”间接地将其求出。但不是所有情况都是能这样求出的——我们必须保证B1B1,B2B2,B3B3,⋯⋯是一个完备事件群。这个其实也很好理解,假如你想将一个碎掉的花瓶重新还原,碎片如果不全,或者碎片之间出现了多余的“重叠”,还原工作都将以失败告终。
全概率公式可以从另一个角度去理解,把BiBi看作是事件AA发生的一种“可能途径”,若采用了不同的途径,AA发生的概率,也就是相应的条件概率P(A|Bi)P(A|Bi)也会不同。但是,我们事先却并不知道将会走哪条途径,换言之,途径的选择是随机的3,这样就导致了不同途径被选中的可能性也许也会存在差异,这就是P(Bi)P(Bi)所表达的含义。这样一来,我们最终所要求的P(A)P(A),实际上就是一个不同路径概率的加权平均。
下面我们来举一个例子。
某地盗窃风气盛行,且偷窃者屡教不改。我们根据过往的案件记录,推断A今晚作案的概率是0.8,B今晚作案的概率是0.1,C今晚作案的概率是0.5。作案者只可能是A、B、C中的一人,且这三人关系不好,不会联手作案4。除此之外,还推断出A的得手率是0.1,B的得手率是1.0,C的得手率是0.5。那么,今晚村里有东西被偷的概率是多少?
通过阅读上述文字,我们大概对A、B、C三人有了一个初步的印象。首先,A的脑子可能有些问题,特别喜欢偷,但是技术相当烂。B看来是个江湖高手,一般不出手,一出手就绝不失手。C大概是追求中庸,各方面都很普通。
我们将文字描述转换为数学语言,根据作案频率可知
将“村里有东西被偷”记为SS,根据得手率可以得到
很简单,所求得的就是
祝这个村晚上好运吧。
2. 贝叶斯公式
有了前面的基础,我们现在先直接抛出贝叶斯公式:
这个公式本身平平无奇,无非就是条件概率的定义加上全概率公式一起作出的一个推导而已。但它所表达的意义却非常深刻。
在全概率公式中,如果将AA看成是“结果”,BiBi看成是导致结果发生的诸多“原因”之一,那么全概率公式就是一个“原因推结果”的过程。但贝叶斯公式却恰恰相反。贝叶斯公式中,我们是知道结果AA已经发生了,所要做的是反过来研究造成结果发生的原因,是XX原因造成的可能性有多大,即“结果推原因”。
举个例子:
假设某种病菌在人口中的带菌率为0.03,由于技术落后等等原因,使得带菌者有时也未被检出阳性反应(假阴性),不带菌者也可能会被检出阳性反应(假阳性)。有如下数据:
假如一个人被检出阳性,那么这个人带菌的概率是多少?
如果不用概率的思维,光凭感觉去想这个问题……误检率那么低,那这个带菌的可能性大概会很高吧?
我们用贝叶斯公式去实际计算一下。
结果竟然连40%都没到。
问题出在哪里?我们没有注意到,带菌率低到只有0.03,甚至比误检率还要低。也就是说,在一大批人里可以检查出一堆阳性的,而这堆阳性的人里面真正带菌的,也只是一小部分而已。