我们先来聊一聊托马斯·贝叶斯(Thomas Bayes,1702-1761)的生平。作为18世纪英国著名的学者,托马斯·贝叶斯可谓是集万千荣誉于一身。他是18世纪英国神学家、数学家、数理统计学家和哲学家。貌似那时候的英国的科学大能都在神学和哲学方面大有造诣,譬如牛顿大神。 贝叶斯一身最突出的贡献就是在1763年提出了贝叶斯公式以及在1785年发表的著作《机会的学说概论》。这些贡献直接奠定了现代概率论和数理统计的基石。贝叶斯统计的创立者,练就一门“洞悉万物”的神技,能够“从特殊推论一般、从样本推论全体“。 贝叶斯定理在酒鬼问题中,我粗浅的介绍了下贝叶斯定理。现在我们回顾一下: 假设有事件 A 和事件 B,概率用 P(A) 和 P(B) 表示,P(AB) 表示事件 A 和事件 B 同时发的概率。如果 A 与 B 是相互独立的事件,那么 P(AB) = P(A) * P(B)。 P(B|A) 表示 A 事件发生以后,B 事件发生的概率,这个就叫做条件概率。同时,P(AB) = P(B|A) * P(A)。 通过条件概率的定义,可以得到 P(B|A) * P(A) = P(AB) = P(A|B) * P(B)。贝叶斯定理如下所示: P(A|B) = P(A) * P(B|A) / P(B) 大家先了解一下,后续会有大用。 关于癌症检测的问题这是逃学博士亲身经历的一道面试题,题目是这样的: 话说A公司历时数年,呕心沥血研制出了一款先进的癌症检测仪,并且官方声称误差率在1%。 也就是说:
那么,问题来了,A公司随便在街上找到了你做志愿者,免费给你做了癌症检测,结果是阳性,你到底是应该立马去医院做治疗,还是先大骂一声A公司是骗子呢?结果是阳性但是你却没有患病的概率是多少呢? 根据贝叶斯公式,我们首先定义A和B都代表什么:
这样的话,P(B|A)表示患癌的人经过检测结果呈阳性的概率是99%。 P(B|A)= 99%。 那我们的目标是计算P(A|B):结果呈阳性并且患癌的概率(注意,这两种表达式不一样的)。 这就相当于,“喝了咖啡,嘴里有咖啡味的概率” 和“嘴里有咖啡味的,喝了咖啡概率(因为有可能是吃了咖啡味的东西)”。 通过贝叶斯公式: P(A|B) =P(B|A)* P(A) / P(B) 我们假设一下地球污染特别严重,癌症的患病率高达1/1000。也就是每1000个人就有一个人得癌症。那么,P(A) = 1/1000。 重点来了,怎么计算P(B)呢? 我们知道P(B):结果呈阳性有两种可能,真有病和被误诊。
P(B|A)* P(A) = 1/1000 * 99% = 9.9 * 10^(-4)
P(B|(1-A)) * P(1-A) = 999% * 1% = 0.999 所以,P(B) = P(B|A)* P(A) + P(B|(1-A)) * P(1-A) = 0.99999。 P(A|B) =P(B|A)* P(A) / P(B) = 9.9 * 10^(-4) / 0.99999 = 9.9 * 10^(-4) = 0.099% ~ 万分之一。 也就是说检测结果是阳性,真正患癌的概率才有万分之一。是不是意料之外,是不是要抄起棒子砸了A公司的仪器,大骂一声骗子,心情是不是像过山车? 谋事在人成事在天很多人抱怨,我明明很努力,做事情务必亲力亲为以求完美,但是为什么我还是不成功? 这个问题呢是有科学的解释的。 A:成功 B:做对事 假设你一辈子做对了99%的事情,P(B) = 99%,那么P(A|B)在做对事的情况下,成功的概率会有多少呢? P(A|B) = P(B|A)* P(A) / P(B) 那么我们还有P(B|A)和P(A)是不知道的。 P(B|A)代表最后成功,过程中做对事的概率,考虑特殊原因(有些人走了狗屎运等等),大部分成功的人都是做对事情的吧。这一项我们认为是99%,P(B|A) = 99%。 那么带入到贝叶斯公式: P(A|B) = P(B|A)* P(A) / P(B) = 99% * P(A) / 99% = P(A) 也就是说,你即使一辈子做对了99%的事,你成功的几率依然不大,这就叫做“谋事在人成事在天”。 总结人活着不就是小概率事件最让人兴奋吗?那么注重结果,何必来世间走一遭。牛顿还被苹果砸过脑袋呢,我刮刮乐还中过50块钱呢。以后的事,谁知道呢? 尽人事,听天命。多好的总结 喜欢我的文章,请点击关注天天有料的“逃学博士”吧。辛苦原创,防不了被转载,你好歹注明个出处就行。 |
|
来自: 昵称32901809 > 《待分类》