《商务与经济统计》学习笔记（四）--贝叶斯定理之理解

作为一个纯正的工科生，虽然学过概率论、随机信号、信号检测等与统计学理论相关非常强的课程，对于贝叶斯公式也用过很多次了，不过有时候仍然不能深刻通俗的理解运用它，成了代公式的机器了。
贝叶斯定理是什么
贝叶斯定理是18世纪英国数学家托马斯·贝叶斯（Thomas Bayes）提出得重要概率论理论。以下摘一段 wikipedia 上的简介：

所谓的贝叶斯定理源于他生前为解决一个“逆概”问题写的一篇文章，而这篇文章是在他死后才由他的一位朋友发表出来的。在贝叶斯写这篇文章之前，人们已经能够计算“正向概率”，如“假设袋子里面有 N 个白球，M个黑球，你伸手进去摸一把，摸出黑球的概率是多大”。而一个自然而然的问题是反过来：“如果我们事先并不知道袋子里面黑白球的比例，而是闭着眼睛摸出一个（或好几个）球，观察这些取出来的球的颜色之后，那么我们可以就此对袋子里面的黑白球的比例作出什么样的推测”。这个问题，就是所谓的逆向概率问题。

贝叶斯公式是怎么来的？
使用 wikipedia 上的一个例子：

一所学校里面有 60% 的男生，40%的女生。男生总是穿长裤，女生则一半穿长裤一半穿裙子。有了这些信息之后我们可以容易地计算“随机选取一个学生，他（她）穿长裤的概率和穿裙子的概率是多大”，这个就是前面说的“正向概率”的计算。然而，假设你走在校园中，迎面走来一个穿长裤的学生（很不幸的是你高度近似，你只看得见他（她）穿的是否长裤，而无法确定他（她）的性别），你能够推断出他（她）是男生的概率是多大吗？

在这里，我们不妨把问题重新叙述成：你在校园里面随机游走，遇到了 N 个穿长裤的人（仍然假设你无法直接观察到他们的性别），问这 N 个人里面有多少个女生多少个男生。
计算一下：
假设学校里面人的总数是 N个。60% 的男生都穿长裤，于是我们得到了穿长裤的（男生）的个数为：
$N \times P(男生) \times P(男生穿长裤|男生)$（其中 P(男生) 是男生的概率 = 60%，这里可以简单的理解为男生的比例；P(男生穿长裤|男生)是条件概率，即在男生这个条件下穿长裤的概率是多大，这里是 100% ，因为所有男生都穿长裤）。
40% 的女生里面又有一半（50%）是穿长裤的，于是我们又得到了 穿长裤的（女生）为：
$N \times P(女生) \times P(女生穿长裤|女生)$加起来穿长裤的学生一共是 $N \times P(男生) \times P(男生穿长裤|男生)+ N \times P(女生) \times P(女生穿长裤|女生)$其中有 $N \times P(女生) \times P(女生穿长裤|女生)$个女生。两者一比就是你要求的答案。
下面我们把这个答案形式化一下：我们要求的是 P(女生|穿长裤的学生) （穿长裤的人里面有多少女生），我们计算的结果是 $\frac{N \times P(女生) \times P(女生穿长裤|女生)}{N \times P(男生) \times P(男生穿长裤|男生)+ N \times P(女生) \times P(女生穿长裤|女生)}$容易发现这里校园内人的总数是无关的，可以消去。于是得到
$\frac{P(女生) \times P(女生穿长裤|女生)}{P(男生) \times P(男生穿长裤|男生)+ P(女生) \times P(女生穿长裤|女生)}$
式中的 长裤 和 男生/女生 可以指代一切东西，所以其一般形式就是：
P(A|B) = P(B|A) * P(A) / [P(B|A) * P(A) + P(B|~A) * P(~A) ]
收缩起来就是：
P(A|B) = P(BA) / P(B)
其实这个就等于：
P(A|B) * P(B) = P(BA)

那么贝叶斯定理就是：
贝叶斯定理是关于随机事件 A 和 B 的条件概率：

其中P(A|B)是在 B 发生的情况下 A 发生的可能性。

在贝叶斯定理中，每个名词都有约定俗成的名称：

• P(A)是 A 的先验概率，之所以称为“先验”是因为它不考虑任何 B 方面的因素。
• P(A|B)是已知 B 发生后 A 的条件概率，也由于得自 B 的取值而被称作 A 的后验概率。
• P(B|A)是已知 A 发生后 B 的条件概率，也由于得自 A 的取值而被称作 B 的后验概率。
• P(B)是 B 的先验概率，也作标淮化常量（normalizing constant）。