如今，“概率”一词在我们的生活中随处可见，被人们使用得越来越广泛和频繁。
因为这是一个越来越多变的世界: 一切都在变化，一切都难以确定。我们的世界可以说是由变量构成的，其中包括很多决定性变量。
比如新闻说: “北京时间2016年11月3日20时43分，长征五号在海南文昌成功发射”，这里的时间、地点都是确定的决定性变量。
然而，我们的生活中也有许多难以确定的随机变量，比如明天雾霾的程度，或某公司的股票值，等等，都是不确定的随机变量。随机变量不是用固定的数值表达，而是用某个数值出现的概率来描述。正因为处处都有随机变量，所以处处都听见“概率”一词。
你打开电视听天气预报，看看今天会不会下雨，气象预报员告诉你说: 今天早上8点钟的“降水概率”是90%；你满怀期望地买了50张彩票，朋友却告诉你，不要白花这50块钱，因为你中奖的概率只有一亿分之一；你手臂上长了一个“肉瘤”，医生初步检查后安慰你，这块东西是恶性瘤的概率只万分之三而已……
生活中“概率”这个词太常见了，以至于人们不细想也大概知道是个什么意思，比如说，最后一个例子中，0.03%的恶性概率的意思不就是说，“10000个这样的肉瘤中，只有3个才会是恶性的”吗？因此，在经典意义上，概率就可以被粗糙地定义为事件发生的频率，即发生次数与总次数的比值。更准确地说，是总次数趋于无限时，这个比值趋近的极限。
虽然“概率”的定义不难懂，好像人人都会用，但你可能不知道，概率计算的结果经常违背我们的直觉，概率论中有许多难以解释、似是而非的悖论。
我们的思维过程中也有盲点，需要通过计算和思考来澄清。概率论是一个经常出现与直觉相悖的奇怪结论的领域，连数学家也是稍有不慎便会错得一塌糊涂。
我们就举例说明经典概率中的一个悖论，叫作“基本比率谬误(base rate fallacy)”。
从一个生活中的例子开始。王宏去医院做化验，检查他患上某种疾病的可能性。其结果居然为阳性，他赶忙在网上查询。
网上的资料说，检查总是有误差的，这种检查有“1%的假阳性率和1%的假阴性率”。这句话的意思是说，在得病的人中做检查，有1%的人是假阴性，99％的人是真阳性。而在未得病的人中做检查，有1%的人是假阳性，99％的人是真阴性。于是，王宏估计他自己得了这种疾病的可能性为99%。王宏想，既然只有1%的假阳性率，99%都是真阳性，那我在人群中已被感染这种病的概率便应该是99%。
可是，医生却告诉他，他在普通人群中被感染的概率只有9%左右。这是怎么回事呢？王宏的思路误区在哪里？
医生说: “99%？哪有那么大的感染概率啊。99％是测试的准确性，不是你得病的概率。你忘了一件事: 被感染这种疾病的正常比例是不大的，1000个人中只有一个人患病。”
这位医生经常将概率方法用于医学上。他的计算方法基本上是这样的: 因为测试的误报率是1%，1000个人将有10个被报为“假阳性”，而根据这种病在人口中的比例(1/1000=0.1%)，真阳性只有1个，所以，大约11个测试为阳性的人中只有一个是真阳性的，因此，王宏被感染的概率大约是1/11，即9%。
王宏思来想去仍感到糊涂，但这件事激发了王宏去重温他之前学过的概率论。经过反复阅读，再思考琢磨医生的算法之后，他明白了自己犯了那种叫作“基本比率谬误”的错误，即忘记使用“这种病在人口中的基本比例(1/1000)”这个事实。
谈到基本比率谬误，我们最好是先从概率论中著名的贝叶斯定理说起。托马斯·贝叶斯(Thomas Bayes ，1701—1761)是英国统计学家。
托马斯·贝叶斯
贝叶斯定理是他对概率论和统计学做出的最大贡献，是当今人工智能中常用的机器学习的基础框架，它的思想之深刻远超一般人所能认知。
粗略地说，贝叶斯定理涉及两个随机变量A和B的相互影响，如果用一句话来概括，这个定理说的是: 利用B带来的新信息，应如何修改B不存在时A的“先验概率”P(A)，从而得到B存在时的“条件概率”P(A|B)，或称后验概率，如果写成公式: 
这里先验、后验的定义是一种约定俗成，是相对的。比如说也可以将A、B反过来叙述，即如何从B的先验概率P(B)，得到B的“条件概率”P(B|A)，见图中虚线所指。
不要害怕公式，通过例子，我们就能慢慢理解它。例如，对前面王宏看病的例子，随机变量A表示“王宏得某种病”；随机变量B表示“王宏的检查结果”。先验概率P(A)指的是王宏在没有检查结果时得这种病的概率(即这种病在公众中的基本概率0.1%)；而条件概率(或后验概率)P(A|B)指的是王宏“检查结果为阳性”的条件下得这种病的概率(9%)。如何从基本概率修正到后验概率的？我们待会儿再解释。
贝叶斯定理是18世纪的产物，200来年用得好好的，却不想在20世纪70年代遇到了挑战，该挑战来自于丹尼尔·卡尼曼(Daniel Kahneman，1934—)和特维尔斯基(Tversky)提出的“基本比率谬误”。前者是以色列裔美国心理学家，2002年诺贝尔经济学奖得主。基本比率谬误并不是否定贝叶斯定理，而是探讨一个使人困惑的问题: 为什么人的直觉经常与贝叶斯公式的计算结果相违背？如同刚才的例子所示，人们在使用直觉的时候经常会忽略基础概率。
卡尼曼等人在他们的文章《思考，快与慢》中举了一个出租车的例子，来启发人们思考这个影响人们“决策”的原因。
我们不想在这里深谈基本比率谬误对“决策理论”的意义，只是借用此例来加深对贝叶斯公式的理解。
假如某城市有两种颜色的出租车: 蓝色和绿色(市场占有比例为15∶85)。一辆出租车夜间肇事后逃逸，但还好当时有一位目击证人，这位目击者认定肇事的出租车是蓝色的。但是，他“目击的可信度”如何呢？
公安人员在相同环境下对该目击者进行“蓝绿”测试得到: 80%的情况下识别正确，20%的情况不正确。也许有读者立刻就得出了结论: 肇事车是蓝色的概率应该是80%吧。如果你做此回答，便是犯了与上面例子中王宏同样的错误，忽略了先验概率，没有考虑在这个城市中“蓝绿”车的基本比例。
那么，肇事车是蓝色的(条件)概率到底应该是多少呢？贝叶斯公式能给出正确的答案。首先我们必须考虑蓝绿出租车的基本比例(15∶85)。
也就是说，在没有目击证人的情况下，肇事车是蓝色的概率只有15%，这是“A=蓝车肇事”的先验概率P(A)= 15%。现在，有了一位目击者，便改变了事件A出现的概率。目击者看到车是“蓝”色的。不过，他的目击能力也要打折扣，只有80%的准确率，即也是一个随机事件(记为B)。
我们的问题是求出在有该目击证人“看到蓝车”的条件下肇事车“真正是蓝色”的概率，即条件概率P(A|B)。后者应该大于先验概率15%，因为目击者看到“蓝车”。如何修正先验概率？需要计算P(B|A)和P(B)。
因为A=蓝车肇事、B=目击蓝色，所以P(B|A)是在“蓝车肇事”的条件下“目击蓝色”的概率，即P(B|A) ＝80％。最后还要算先验概率P(B)，它的计算麻烦一点。P(B)指的是目击证人看到一辆车为蓝色的概率，等于两种情况的概率相加: 一种是车为蓝，辨认也正确；另一种是车为绿，错看成蓝。所以: 
从贝叶斯公式: 
可以算出在有目击证人情况下肇事车辆是蓝色的概率为41%，同时也可求得肇事车辆是绿车的概率为59%。被修正后的“肇事车辆为蓝色”的条件概率41%大于先验概率15%很多，但是仍然小于肇事车为绿色的概率0.59。
回到对王宏测试某种病的例子，我们也不难得出正确的答案: 


贴主:雨地于2021_06_23 6:45:10编辑