更新时间：作者：小小条
贝叶斯定理为我们清晰地思考不确定性以及概率影响结果的方式提供了一个工具。
托马斯·贝叶斯是一位数学家、长老会牧师和艾萨克·牛顿爵士的捍卫者。今天，全世界的统计学家都在纪念他，因为他去世两年后发布的一份文件。
贝叶斯于1761年4月7日去世。根据这位英国人的遗嘱，他的一位朋友兼同事理查德·普莱斯得到了他未发表的笔记。其中包括一篇关于概率的部分文章，这个话题一直萦绕在我们的脑海里。
普莱斯对此印象深刻，并产生了浓厚的兴趣，他在1763年出版了一个经过编辑的版本，题目是《关于解决机会论问题的一篇文章》。
在这里，奠定了我们现在所说的贝叶斯定理（或“贝叶斯规则”）的基础，这是现代统计学中最常用的工具之一。
零碎的东西
如今，贝叶斯法则被用在无数方面。它给了你一个清晰思考不确定性的工具（几十年的认知科学研究表明，我们并不特别擅长不确定性）。
实际的等式如上所示。简而言之，这个公式的目的是确定在给定“B”已经发生或被观察到的情况下，“A”发生的概率是多少。
为此，我们必须采取以下措施：
1.假设“A”已经发生/被观察到，建立“B”发生的概率。
2.乘以A的总概率
3.结果除以B的总概率
条件概率是贝叶斯定理的核心。世界是一个错综复杂的地方。当我们试图确定一件特定事情发生的几率时，有时我们需要根据新的信息、新的发展和已有的数据来修改我们的计算。
进入定理。无论你是研究宇宙年龄的天体物理学家，还是对罕见物种进行种群估计的野生生物学家，贝叶斯定理都可以帮助你根据这些条件更新你的观点和世界观。
现在我们知道了一些基本的知识，让我们来看看贝叶斯先生的公式。
对还是错？
医学专家知道要小心假阳性。
如果一项测试告诉你某样东西存在，而实际上它却不存在，那就是假阳性。牧童喊狼来了，但他并没有真正看到狼。
真正的阳性是与现实相符的测试结果。当一个测试暴露了一个真实存在的状况时，你就会得到它们。所以，在这个场景中，狼是真的，牧童说的是实话。
贝叶斯定理可以为诊断测试的性能提供洞察力。
当我们去诊所接受检测时，我们想知道如果检测结果呈阳性，我生病的可能性有多大。
“呼叫贝叶斯医生！”
为了解释托马斯·贝叶斯如何适用于医学测试假阳性的讨论，科学家提出了一个有用的假设。再看一下我们打印的公式。看到A和B了吗？现在是时候用一些不那么抽象的东西来代替这些字母了。
假设我们应用一种测试，对一个健康的人来说，有百分之一的机会得出假阳性结果，而对一个病人来说，同样的测试有百分之九十九的机会得出真阳性结果。
如果我们把这个测试应用到100个健康的人和100个生病的人身上，我们预计会有1个假阳性和99个真阳性。如果我们对10万名健康人和100名病人进行同样的测试，我们预计会有1000个假阳性和99个真阳性。大多数阳性检测结果都是假的。
实验室外
这个定理产生了贝叶斯统计，这是一种更广泛的数学和概率论方法。
多年来，这种思想流派一直受到批评。然而历史证明贝叶斯思想是有一席之地的。与前几代人相比，数学家现在使用不同的计算工具，寻找不同类型的数据。
有时我们用数据来科学地描述世界的本来面目；其他时候对特定的结果做出预测；而其他时间则是为了开出能够优化结果的治疗处方。
在计算机驱动的文化中，贝叶斯方法无处不在。看一下电子邮件，一些电子邮件过滤器使用贝叶斯定理来计算给定单词选择的单个邮件是不受欢迎的垃圾邮件的几率。
或者看看美国海岸警卫队在2014年是如何掀起波澜的，当时它的一个计算机程序帮助营救了一名失踪的渔民。这个程序用贝叶斯定理完成了这项工作。
做‘贝叶斯分析’并不总是意味着更好的分析。但是，由于贝叶斯方法需要详细的数学定义，贝叶斯分析通常比传统方法提供更大范围的灵活性，以适应更广泛的应用。
版权声明：本文转载于今日头条，版权归作者所有，如果侵权，请联系本站编辑删除