贝叶斯定理爱情句子

大家好，今天来为大家解答贝叶斯定理爱情句子这个问题的一些问题点，包括贝叶斯定理的浪漫解释也一样很多人还不知道，因此呢，今天就来为大家分析分析，现在让我们一块儿来看看吧！如果解决了您的问题，还望您关注下本站哦，谢谢~

本文目录

1. 波斯曼定理
2. 贝叶斯定理的浪漫解释
3. 埃尔斯伯格悖论例子

[One]、波斯曼定理

〖One〗、博斯曼法案就是自由转会法案,因为是一名名叫博斯曼的球员引起的,所以叫博斯曼法案！

〖Two〗、马克·博斯曼(Jean-MarcBosman)是比利时甲级足球列日队的一名普通队员。

〖Three〗、在合同到期时，博斯曼打算转会到法国的敦刻尔克队踢球。然而敦刻尔克队提供不出列日队所需的转会费，所以列日队俱乐部不放他走。

〖Four〗、同时，由于博斯曼不再是一线球员，所以收入大为减少。

〖Five〗、然后他在卢森堡公国的欧洲法院起诉转会的贸易限制。经过了长期艰苦的诉讼之后,博斯曼终于赢得官司,并且在1995年,12月15日法庭裁决:博斯曼以及欧洲的所有球员在合约期满之后,可自由转会欧盟中任何国家踢球。

[Two]、贝叶斯定理的浪漫解释

一天小明去做例行体检，检查结果显示小明对一宗罕见的病呈阳性，医生根据历史数据了解到普通人得这种病的概率是0.1%(基础概率，PriorBelief)。于是小明问医生，我得了这种病的概率是多少呢？医生说，患者的检测结果99%会呈阳性，对于非患者，有1%的概率会呈阳性（误诊）。

大家先问问自己，小明患病的概率是多少？大部分人的直觉答案是99%，或者至少很高。可惜错了，因为我们忽略了基础概率，请仔细阅读下面的分析。

当我们用贝叶斯定理分析时，我们可以假设检查呈阳性为事件A，发生的概率为P(A)；小明患病为事件B，发生的概率为P(B)；两个事件一起发生的概率为P(A[公式]B)。根据正文前的概念1可知P(B|A)*P(A)=P(A|B)*P(B)，等式两边同时除以P(A)可以得到P(B|A)=P(A|B)*P(B)/P(A)。

现在我们把具体情境套入公式，P(B|A)代表当小明的检查为阳性时，小明为患者的概率（也就是小明最关心的问题）；P(A|B)代表当小明为患者的情况下，检查呈阳性的概率（99%）；P(B)是小明患病的基础概率，也就是在没有其他信息的情况下，小明患这种病的概率（0.1%）；P(A)是随机挑一个人，检查结果为阳性的期望值（备注1），这个例子中P(A)=0.01098。把数字代入公式中，我们可以得到P(B|A)[公式]9%，也就是说在检查结果为阳性的情况下，小明患病的概率只有9%。

虽然以上结论非常反直觉，但是一旦把被误诊为阳性的人考虑进去，这个结论就符合直觉了。假设有个1000人的样本，根据基础概率（0.1%）只会有1个病人，而剩下的999个非患者有1%的概率被误诊，也就是大约有10个非患者的检查结果呈阳性。加上1个被确诊的患者，这个1000人的样本中共有11个人的检查结果为阳性，而只有一个病人，也就是1/11[公式]9%。回到原来的情景，我们可以想象小明在一个有11个检查结果为阳性，却只有一个病人的小组中，所以小明是患者的概率约为9%。

这是否表明医学对监测罕见疾病无能为力呢？当然不是，解决问题的方法很简单，只要对第一次结果呈阳性的人再做一次检测就行了（假设两次检查结果互相独立）。第一次的结果为阳性的的小组里，患病的基础概率已经从0.1%提高到9%，把数据重新代入公式，我们可以得出P(B|A)[公式]91%。

以上是对贝叶斯定理的简单应用，其实大到破解德军密码到小到筛选垃圾邮件都运用了贝叶斯定理，说它贯穿了我们生活的方方面面也一点不过分。贝叶斯定理让我们关注基本概率，并通过新的信息不断更新基本概率，从而提高判断的准确度。

一个简单的公式背后是指导认识世界的深刻哲学，这才是能让人兴奋得尖叫的智慧。

备注1：P(A)=P(B)*P(A|B)+P(-B)*P(A|-B)。呈阳性的期望值分为两部分，一种是“患者(B)”的确诊，另一种是“非患者(-B)”的误诊，分别把“患者”和“非患者”的基础概率乘以其确诊的误诊的概率就是随机挑选一个被试，检查结果呈阳性的概率。

[Three]、埃尔斯伯格悖论例子

〖One〗、埃尔斯伯格悖论是指这样一种情况：

〖Two〗、在不确定的情形下，人们的行为选取似乎并不遵循贝叶斯定理，而是依赖于某种“偏好”或“预期”。例如，埃尔斯伯格悖论的一个例子是：在你面前有两个都装有100个红球和黑球的缸I和缸Ⅱ，你被告知缸Ⅱ里面红球的数目是50个，缸I里面红球的数目是未知的。如果一个红球或者黑球分别从缸I和缸Ⅱ中取出，那么它们分别被标为红I、黑I、红Ⅱ和黑Ⅱ。从这两个缸中随机取出一个球，要求你在球被取出前猜测球的颜色，如果你的猜测正确，那么你就获得$100，如果猜测错误，那么什么都得不到。在这种情况下，根据贝叶斯定理，我们应该选取**红球和黑球出现的机会相等（即50%的可能性），因为这是概率上的最优选取。但实际上，人们往往会根据他们对缸I或缸Ⅱ的“偏好”或“预期”来做决策，而不是按照概率来选取。比如，如果一个人更喜欢缸I，他可能会选取**红I的出现，即使这个选取在概率上并不最优。

如果你还想了解更多这方面的信息，记得收藏关注本站。

本文 网红语录短句网 原创，转载保留链接！网址：https://www.77788826.com/X8diM8RJUqnq.html