“我有没病，跟世界人民有毛关系？”人们看到这话，有的觉得是概率问题，有的以为情绪发泄。同样的文字有不同的解读，这取决于你理解的基础。概率也是这样，有的认为是实用的利器，有的以为是数学游戏，之所以这样，那是你对概率的概念理解不同。初等概率其实很简单，公式和推理不过是中学数学，经典的例子不外乎扔钢蹦掷骰子摸彩球。人人读后都以为懂了，其实很多人进门就走错方向。这篇从概率的门前开始介绍。

科学盛行后大家认为，以前只有上帝知道的客观存在，现在我们也能确定的学问叫科学。概率应用于这种全能全知的想法之外。张三有没有病，一盒彩球中我摸到什么色，这确定的事实，是上帝知道我不知道的。但如果我有某些相关的信息，虽然不能以此确定张三的病，球的色，能否以此估计个可能性？认为这工作有意义的，叫这可能性的数值P为概率。概率P(A)是对事件A发生可能性估计的一个测度，它是从0到1中的一个实数值，数值越大可能性越大。

这个具体的数值是多少？关系到你对这种“可能性”量度的看法，赌徒是从重复情况发生频率的比率来定义的，律师则从对证据信念的赔率来确定的，你还可以从其他角度来定义这个测度函数。就是说在原则上，集合中事件A具体的概率测度P(A)可以有不同的定义方法，只要P(A)=0解读成逻辑上的false，即事件A绝不可能，1解释成true，即事件A绝对是可能，数值越大则可能性越大的测度，都可以称为概率，都可以用它来比较可能性的大小。不管怎么定义的概率，在集合测度的性质下（空集零测，独立事件概率相加，无穷并集事件的概率半可加性），都满足一系列的概率关系式，包括贝叶斯公式，这是现代概率论的提法。

这样不明确地规定的概率测度值，在实践上有什么意义？首先，它们大小的比较，符合人们对可能性比较的认知。这是它有用的基础。不管你信不信概率，你在日常中无不应用可能性大小的概念，来判断事件的真实性，以此决定下一步行动。血检告诉你，不大可能患癌还是很有可能，对你做不做活检，甚至开不开刀关系重大，概率是通过具体数值是9%，90%或其他，更精细地告诉你这个可能性的大小。其次，概率的公式联系起不同事件间概率量度的数值，只要你认可已知的概率，以公式计算出来的概率则是一种同样可靠的估计，这是数学证明所保障的，与任何数学的计算的可行性是同一回事。它是在逻辑上保证概率计算是可信的基础。所以你只要相信概率对实践有用，你就可以相信贝叶斯公式计算结果对实践有用，除非你用错了公式。

既然概率的测度值有不同的定义方法，到底哪种靠谱？历史上把赌徒的方法称为客观概率，或频率派，律师的方法为主观概率或贝叶斯派。实际上这些名称都有误导，所谓的客观，隐含着未言明的实验条件假设，所谓的主观并非是任性的假设，所谓的贝叶斯派不是别派不信贝叶斯公式，只是它把贝叶斯的理念推往极致。它们之所以靠谱，都是把这种不确定的猜测，以事关身家性命的金钱的赔率和官司的胜负来作赌，经受到实践检验的。它们定义的概率数值都与掌握的信息有关。对频率派来说，这个信息设定下的统计越符合实际，它估计的数值越靠谱，对贝叶斯派来说，这个信息越是具体，切近考察的个体，推断也越符合事实。无论如何，当同样的知识信息被充分正确利用后，这两个数值趋向一致。

那么“我有没病，跟世界人民有什么关系？”如果没有更多信息，只知道统计世界人民有0.1%的人得这病，你就有0.1%的可能性中标，这就是你得病的基础概率。

不信的人认为这估计没意义，把张三放在世界人群中考虑，按统计他生x病的概率是0.1%，同一个的他，放在他10个有2个中标的基友中，患病率则是20%. 你说哪个是真正的概率？

这对概率的理解一开始就错了，没有什么绝对真理的确定概率，一切的概率都是相对于所知的信息作出的估计。当你只有对世界人群的统计知识，你只能得知0.1%的可能，你有他基友的信息，你就能得知20%的可能。你都有这两者，心中有数的就看你怎么用，越是靠近你的实际情况就越精确。不同的已知信息，决定不同的概率值。只要信息是对的。这些不同的数值都是对的，这可以用统计来验证它们符合各自的信息。如果信息不尽可信，你又知道这信息可信程度的概率，你也能用概率公式作出进一步的估计。

你可能觉得这很可笑，同一个问题怎么会有两个不同的正确答案。看个例子。月薪1万，你猜他全交给老婆是多少？1万是已知这信息的答案，如果他还有奖金1千呢？如果他先给了小三2千呢？不同的信息得出不同的猜测数量。同理，概率是对不确定问题，根据已知的信息作可能性的猜测，不同的信息得出不同的猜测数值。

那么这是主观的，不是还有客观概率？这两个术语的内涵，很多人也理解错了，主观不是我和你想法不一样，而是强调这概率是由拥有知识而定；客观不是说没有你的知晓，这真实可能性也是这个数，而是说基于默认的一个假设，实验的结果是这样的。不存在不依知识而有的客观估计，客观概率先验概率只不过缺省了这些已知知识的假设。平均分布是最简单而经常被确省的假设。这只是一种不言而喻的假设背景知识。你的知识越靠近估计对象的实际情况，你的估计就越精确。如果你什么都不知道，你无法给出任何估计。

当我们有了检测的信息时，如果我们知道这检测对事件的敏感度和特异度，就可以把检测前的事件概率与有了这检测新信息后的新估计，用贝叶斯公式通过检测的性能联系起来。所谓的先验概率不过是有这新信息前的概率，后验概率是有了检测结果后，对同一事件更新的概率，先后之说只是相对于这检测信息而言。这便是一切检测判断概率计算的基础，有了贝叶斯公式我们不必事事再做统计，便能从已知的统计概率中，通过检测条件和结果的信息更新估计的概率。

在医疗检测诊断中，概率的应用很多。这里抄一段我收到的美国血检阳性后，报告里对患癌的概率数据。这是美国医生建议50岁以上男性每年常规PSA检查的报告。有一些其他检测阳性结果的报告，也附有这类的概率估计给医生和病人参考（在美国，病人与医生有同等权利了解健康信息。你年龄段和这次检测的%fPSAS值落入表中哪个区间，把它和PSA阳性看作条件B的信息，它告诉你这条件下患癌A概率P(A|B).）

In patients with total PSA concentrations of 4-10 ng/ml, the probability of finding prostate cancer on needle biopsy by age in years is:

Other factors may help determine the actual risk of prostate caner in indvidual patients ...... Jerry W. Hussong, MD - Lab. Director

Lab给出的不同情况的阳性患病率表，直接从统计得出这12种不同条件下前列腺患癌率是不现实的。即便你要统计如此，如果你想知道，给不在表中的50岁前男人或女人，用测PSA做初诊的患癌率呢？提高机器性能后呢？你是否还要再做这么多不同群体的统计？实际上检测方法说明书只要提供它检测Total PSA和Free PSA ratio的精度，谁都能用文献报告中，他所在群体前列腺患癌的统计比率，以及是否前列腺癌对PSA指标的敏感度和特异度等统计数据，算出检测阳性对他患癌的概率。这表中12种情况，是Lab这么算来供医生和病人参考的。如果不在这表中，你懂得贝叶斯，也不难通过个体所处群体的患癌率，算出这被测出阳性的患病的可能。

在最近美国给医生科普“机器学习”的材料中，我不时看到用贝叶斯公式计算，检测和诊断概率之间关系的内容。医生通常自己不算诊断概率，有关资料或实验室已替他们算好了。科普机器学习的教材，通常给他们补一下基本线性代数和概率的知识。下面是一段用检测诊断乳腺癌的实例，名为“Bayes' Theorem and Cancer Screening”的较短视频。

概率是不确定之事发生可能性估算的学问。信与不信也是各人的认知。只不过世事无常，哪能尽判黑白？估算之技，“知之者胜，不知之者不胜。 ... 多算胜，少算不胜，而況无算乎！”

相关专题：概率问题与贝叶斯定理

转载本文请联系原作者获取授权，同时请注明本文来自应行仁科学网博客。

链接地址：https://wap.sciencenet.cn/blog-826653-1052402.html?mobile=1

收藏

分享