星空app官网版 抛硬币纠合出了 10 次正面？“赌神”贝叶斯告诉你这硬币还真有问题
先问你一个问题：
假如我抛了一枚硬币 10 次，发现每次齐是正面进取。如若我再抛一次，出现正面的概率是若干？
有东谈主会说，下一次抛出正面的概率十足是 1/2。他们对此往往卓绝细则，常常还会搬出那套熟悉的表面，告诉我“硬币是莫得追思的”，或者类似这么的话。
也有东谈主可能会说，既然这枚硬币齐一经纠合出了那么屡次正面，风水轮替转，下次怎样也该轮到反面了吧！是以，出现正面的概率敬佩小于 1/2。
但是，在我看来，这两种谜底齐错了！事实上，下一次抛掷出正面的概率卓绝接近于 1。你没看错，就是 1。
全球先别急，我们理理念念路，如若要让这枚硬币不才一次抛掷时出正面的概率是 1/2，前提是它必须是一枚“十足平正”的硬币（也就是每次抛掷出现正反面的可能性完全独特）。但是，我从新到尾齐没说过这是一枚平正的硬币呀！那只是是你我方想诚然的假定驱散。
你看，明明摆在目前的是压倒性的反面凭据，你却依然做出了硬币是十足平正的假定。仔细想想，如若一枚硬币纠合十次抛出正面，那它十有八九不是什么持重硬币。事实上，如若这枚硬币真实质料均匀，发生这种情况的概率唯独 0.510，也就是 1/1024 ，接近于千分之一的概率。这就意味着，你需要把“连抛十次”行为一个回合，足足近似上一千个回合——也就是所有这个词抛掷 10，000 次，我估摸着这至少得纠合抛上三个小时，才调有较大的概率见证一次“纠合十次正面”的遗迹。
伸开剩余92%揣摸绝大无数东谈主扔不到一半就嗅觉手酸，早早毁灭了。因此，既然我们一经亲眼看到了硬币纠合出现了十次正面，一个卓绝合理的推断就是：这枚硬币敬佩不合劲，它的里面可能存在某种偏向性，导致它更容易掷出正面。想通了这少许，情况就很巩固了，下一次抛出正面的概率十足比 1/2 要高得多。
但是新的问题又来了，到底会进取若干呢？
我在这里所描摹的，其实恰是科学斟酌的运作方式。假定我们想要斟酌某个系统，我们会先进行一系列的不雅察，并从中推断其内在可能的机制。这个历程需要我们提议假定，然后用数据去老成这些假定。一朝配置了假定，我们就不错入手做瞻望。但这必须在汇集到数据之后才调进行，而且我们必须卓绝严慎，不可在一入手就对系统做出不切本色的假定。
这个兴趣不仅适用于我们的这枚硬币，还相同适用于天气预告、表象变化瞻望，以及搪塞流行病传播的方案。它也适用于我们生存中的好多其他方面，无论是端正系统的运转，如故我们制定战术（以致进行社会行径）的方式。
庆幸的是，我们有一个卓绝重大的器具不错提供匡助，那就是贝叶斯推断（Bayesian inference）。如今，东谈主工智能、机器学习以及机器的方案才略正在马上发展，而贝叶斯推断恰是这一切的中枢。
正面，贝叶斯赢！
东谈主们偶然会月旦第一个问题过于暧昧，题干中莫得提供满盈的信息来得出谜底。从某种兴趣兴趣上说，这种月旦是对的。但在试验中，我们常常会濒临类似的情境，不得不依靠做出合理的假定来处理问题。因此，为了让这个问题愈加严谨，我们将其从新表述如下：
我们有一个装了好多硬币的袋子。其中大部分是质料均匀的普通硬币，抛出正面或反面的概率均为 1/2。关联词，有比例为 p（假定 p 的值很小）的硬币是特地的，它们两面齐是正面。如若抛掷这种硬币，出现正面的概率就是 1（这里假定硬币不会立在大地上）。我们从这个袋子里立地摸出一枚硬币，连抛 10 次，限度每次齐是正面进取。那么，下一次抛掷它依然出现正面的概率是若干？
在这个更为严谨的情境下，我们险些不错料定，如若硬币每次齐掷出正面，那它极大致率是一枚存在偏向的硬币（即两面齐是正面的硬币）。在这种情况下，下一次抛掷敬佩如故正面。诈欺贝叶斯推断这一奇妙的方式，我们不错将这一扩充表述得愈加精确，以致还能看出它与比例 p 的大小有着怎样的联系。
要做到这少许，我们需要引入事件的条款概率（conditional probability）这一意见。在前边设定的游戏中，存在几种可能发生的事件。其一就是“抽中一枚存在偏向的硬币”这一事件。我们将该事件记为 A，并用 P(A) 来清楚其发生的概率。将“抽中一枚均匀硬币”的事件记为 B，并用 P(B) 清楚该事件发生的概率。那么：
我们常常将这种概率称为先验信息（prior information）。唯独在对这枚硬币一无所知的情况下，P (A) = p 这一等式才配置。这是在获取任何实测数据之前，硬币存在偏向的概率。
一朝入手抛掷硬币，我们就会对它有更多的了解，并随之修正先验信息，从而得出对于该系统的所谓后验学问（a-posteriori knowledge）。行为东谈主类，我们的大脑时刻齐在资格着这么的历程：赓续汇集对于周遭环境的感官信息，并据此在脑海中构建出对现时气象的认识。这亦然机器进行学习并更新其对某个系统已有学问的历程。对于这类机器而言，完结这一历程的中枢器具恰是贝叶斯分析（Bayesian analysis）。接下来，就让我们望望它是如何进展作用的。
假定我们有两个事件 A 和 B。条款概率 P(A|B) 指的是在已知县件 B 一经发生的前提下，事件 A 发生的概率。
举个例子，假定事件 A 为“纠合抛掷 10 次硬币，每次齐是正面进取”，事件 B 为“我们抽中了一枚两面齐是正面的硬币”，而事件 C 为“我们抽中了一枚质料均匀的普通硬币”。稍做念考就会发现：
这是因为那枚硬币两面齐是正面，是以它每次抛掷势必齐会出现正面。另外，正如我们在前边一经策画过的，我们还不错得出：
你不错昭彰看出，P(A|B) 要比P(A|C) 大得多。
贝叶斯是怎样说的
对于条款概率有一个通用公式。如若用 P(A and B) 来清楚事件 A 和事件 B 同期发生的概率，那么公式就是：
但是，P(A and B) 与 P(B and A) 昭彰是合并趟事，根据上述公式，它相同等于P(B)P(A|B)。这也就意味着：
由中间的等式可得：
这个限度就是知名的“贝叶斯定理”（Bayes' theorem）。它由托马斯·贝叶斯牧师（Revd. Thomas Bayes）提议，并由英国皇家学会（Royal Society）以《论磋商机遇问题的求解》（An Essay towards solving a Problem in the Doctrine of Chances）为题于 1763 年考究发表。
托马斯·贝叶斯（1701-1761）
贝叶斯并不算是一位业绩数学家，尽管他对形而上学和统计学有着浓厚的兴趣。但是，贝叶斯定理却是通盘数学范畴最紧要的效果之一！它不仅在概率论和统计学中居于中枢肠位，在卫星跟踪（或险些任何其他主见的跟踪）、考古学、端正系统、景象学，以致在大名鼎鼎（让东谈主又爱又恨）的蒙提霍尔问题（即知名的“三门问题”）等迥然相异的范畴中，齐有着罪行累累的应用。它更是构建通盘机器学习范畴的基石。
我们不错用平常的言语来施展这个定理为如何此紧要。假定事件 B 是我们确切感兴趣的斟酌对象，而事件 A 是我们为了进一步了解 B 所进行的实验。P(B) 就是我们在进行实验之前对事件 B 掌合手的“先验学问”；而 P(B|A) 则是实验之后我们对 B 得回的“后验学问”。贝叶斯定理为我们提供了一条从先验学问通往后验学问的桥梁。我们得胜地从数据中推断出了背后的真相，这恰是“贝叶斯推断”一词的由来。当我们想要弄明晰一个无法奏凯测量的系统里面正在发生什么，而且必须依靠波折的测量限度来进行扩充时，这种念念想在科学斟酌的各个方面齐会被一遍又一随地反复诈欺。
硬币存在偏向的概率有多大？
行为例子，当今让我们把这个定理当用到领先的问题上，在不奏凯稽查硬币的情况下，推断这枚硬币是否两面齐是正面。我们这里重申一下设定，事件 A 为“纠合掷出 10 次正面”，事件 B 为“我们抽中了一枚两面齐是正面的硬币”。
我们一经知谈 P(A|B)=1，而且 P(B)=p。因此，为了策画出 P(B|A)（也就是在已知纠合掷出 10 次正面的前提下，这枚硬币两面齐是正面的概率），我们需要先算出 P(A)。P(A) 代表的是：从袋子里立地摸出一枚硬币，抛掷后纠合出现 10 次正面的总概率。这里需要磋商两种互斥的情况。第一种情况是，我们抽中了一枚两面齐是正面的硬币，然后掷出了十次正面。这种情况发生的概率，其实就等于抽中这枚问题硬币的概率 P(B)（因为一朝抽中它，掷出十次正面就是板上钉钉的事了）。第二种情况是，我们抽中了一枚质料均匀的普通硬币（我们将此事件记为 C），然后掷出了十次正面。在这种情况下，掷出十次正面的概率就是两个单独概率的乘积：P(A|C)P(C)。因此，掷出十次正面的总概率 P(A)，就是这两种互斥情况的概率之和：
我们刚才一经算出了这里通盘的项：P(B)=p，P(A|C) = 1 / 1024，以及 P(C) = 1-p。因此：
当今，我们不错完成终末的策画，得出在“纠合掷出 10 次正面”的前提下，这枚硬币两面齐是正面的概率为：
为了让你对这个概率的具体大小有个直不雅感受，假定我们有一个装了 100 枚硬币的袋子，星空app官网版其中唯唯一枚是两面全为正面的问题硬币。那么，p = 1 / 100。在这种情况下，已知硬币纠合掷出 10 次正面，它是问题硬币的概率就形成了：
也就是说，这枚硬币存在偏向的概率高达 91%。对于大无数东谈主来说，这个可能性一经相等有把合手了。是以不错看到，在贝叶斯定理的诈欺下，底本仅有 1% 的“硬币存在偏向”的先验概率被更新为了 91%。
再次掷出正面的概率是若干？
当今，我们终于不错回过甚来恢复领先提议的阿谁问题了。在一经纠合掷出 10 次正面的前提下，下一次掷出正面的概率究竟是若干？
如若这是一枚问题硬币（即事件 B），那么下一次掷出正面的概率势必是 1。因此，基于现存的不雅察数据（连出 10 次正面），下一次掷出正面且硬币如实存在偏向的概率为：
如若这枚硬币是质料均匀的普通硬币（即事件 C），那么下一次掷出正面的概率就是 1/2。因此，基于现存数据，下一次掷出正面且硬币毫无偏向的概率为：
在第 11 次抛掷这枚硬币时，再次出现正面的总概率，就是上述这两个互斥事件概率的总数：
我们之前一经算出了 P(B|A) 的值，而 P(C|A) 肤浅来说就是 1- P(B|A)。因此，下一次再次掷出正面的概率就形成了：
如若 p = 1 / 100，那么P(再次掷出正面) = 0.955，约为96%。对于大无数本色情况来说，这个概率一经满盈接近于 1 了。
不才图中，我们将 P(再次掷出正面)绘图为了 p 的函数。你不错明晰地看到，唯独当 p 小到极其细微的进程时，P(再次掷出正面) 才会与 1 产生昭彰的差距。因此，我们完全有底气说，领先阿谁问题的谜底就是，下一次出现正面的概率卓绝接近 1，即便我们其实并不知谈 p 的确切数值。
概率 P(再次掷出正面) 随 p 变化的弧线图。
后面，贝叶斯输！
在试验中，科学家们往往只可基于不完竣的数据来做出瞻望，天气预告就是一个典型的例子。接下来，本文的后半部分将为你揭秘一项专为管制此问题而生的技能——“数据同化”（data assimilation）。它能够在新信息的启发下更新驱动瞻望，并充分磋商到一个试验情况：无论是不雅测数据如故领先的瞻望，其实齐是不完竣的。
在前边的章节中，我们学习了如何基于不雅测数据，诈欺贝叶斯定理来换取对某个事件发生概率的瞻望。我们举的例子是，一枚硬币纠合十次掷出了正面。面对这么的数据，这枚硬币十有八九存在问题，因此第十一次掷出正面的概率，理当高于一枚普通均匀硬币那 50% 的概率。贝叶斯定理从数学上阐述了我们的直观。
关联词，对于我们所不雅察到的阵势，其实还存在另一种施展。硬币十足平正莫得问题，确切出了问题的，是数据自己。举例，我可能在纪录正反面的时刻刚好摘下了眼镜。这下我根柢两眼一抹黑分不清哪面是哪面，为了图省事儿，干脆把每次抛掷的限度齐记成了正面。又或者，我明明看清了正反面，但是由于电脑系统出了故障，通盘的限度全被强行录入成了正面。
这些恰是所谓仪器误差（instrumentation error）的例子。在纪录数据时，这类误差其实并不荒僻（尽管在试验中往往不会像上述例子那么顶点）。要知谈，莫得任何数据纪录开采是十足完竣的，它们多若干少齐会出现一些偏差。
还有一种可能性是，我在纪录数据时有利对你撒了谎。哪怕硬币掷出了好几次反面，我仍然向你伪装出它存在偏向的假象。在刑事案件的取证中，这种情况百花齐放，东谈主们往往必须在真假难辨的凭据和数据眼前，判断到底该不该信托某位证东谈主的证言。
于是，我们不得不面对这么一个问题：如若摆在眼前的数据不完全可靠，那么对于我们正在斟酌的系统（比如这枚硬币到底是不是平正的），我们还能做出什么故兴趣兴趣的推断吗？
贝叶斯来救场
既然数据可能不太靠谱，要想准确揣摸系统的真实状态，我们就需要有办法来斟酌这些数据的可靠性。对于测量仪器来说，温度计就是个很好的例子。假定我们要测量某个本色温度 T，温度计每次给出的读数可能会有些许波动，但如若这些读数的平均值恰巧等于 T，我们就称这支温度计是“无偏的”（unbiased）。而这些读数的方差（variance）则反应了它们在平均值高下分离的进程，这就为我们提供了一把评估测量限度到底有多靠谱的标尺。如若方差很大，读数飘忽不定，我们在心里对这组数据的采信度就会打个扣头；反之，如若方差很小，我们就会愈加信任这些数据。通过这种方式，迎面对一份可能存在误差的测量数据时，我们就能精确量度出究竟需要对原有的瞻望做出多猛进程的修正，从而完成对某个事件（先验）瞻望的更新。
这个历程，常常就被称为“数据同化”（data assimilation）。数据同化的绝妙之处在于，它能将“不太靠谱的瞻望”与“相同不太靠谱的数据”联接起来，最毕生长出一个比这两者齐要准确得多的全新瞻望！
景象学家们使用数据同化技能已有圣洁二十年之久，这极大地升迁了天气预告的可靠性。表面上，要想根据今天的天气气象准确预告未来全球的天气，景象学家在今天就需要对通盘大气层的状态进行圣洁十亿次测量。但在试验中，这根柢不可能办到，他们穷尽妙技，撑死也就只可完成圣洁一百万次测量。昭彰，单靠这点数据，远不及以了解今天的天气气象。
为了管制这个问题，景象学家们想出了一个办法。他们会先拿出昨天对今天所做的天气预告，然后朝着今天本色不雅测数据的标的，对这份预告进行 “微调”（ nudge）。然后用修正后确当日天气预告，做未来的天气预告。
数据同化恰是用来完成这种“微调”的，它的基本念念路如下：景象学家根据昨天掌合手的信息，对今天的天气做出一个（先验）瞻望。同期，他们还要尽可能多地去测量今天的天气气象，比如看温度计（或者干脆奏凯瞅瞅窗外）。由于每次测量总会有些微弱的各别，是以即就是一支十足顺次的“无偏”温度计，也会给出一系列可能的测量值。
另一方面，基于昨日天气对本日天气所作的瞻望相同也会存在误差。本色上，是一大堆可能的误差（毕竟我们的天气模子和策画才略还远远谈不上完竣），我们将这种瞻望误差分离的方差记为 Epred。然后，把这份瞻望与我们目前能汇集到的对至今天天气的（有限）不雅测数据放在一谈进行比对。诚然，这些不雅测数据自身亦然带有误差的，我们将它的方差记为 Edata。
如若与 Edata比拟，Epred的值较小，那么底本的瞻望只会朝着不雅测数据的标的“微调”少许点。平常点说，这是因为此时的瞻望限度比今天本色测量的数据更可靠，是以我们不想过多地被今天的测量数据“带偏”。相背，如若 Epred比 Edata大得多，那我们就会在很猛进程上采信实测数据。
经过这番“微调”后得到的限度，我们称之为“分析值”，记为 A。这个分析值奥密地兼顾了原始瞻望和实测数据，是对今天天气气象做出的最好揣摸。拿着这个分析值，天气预告员就不错去瞻望接下来几天的天气了。
数据同化历程暗示图。粉色椭圆代表瞻望限度及其可能存在的误差界限，橙色椭圆则代表不雅测数据及其可能存在的误差界限。数据同化将原始瞻望朝着不雅测数据的标的进行了“微调”，使得最终限度既落入原始瞻望的误差椭圆之内，又同期落在了不雅测数据的误差椭圆之中。
这种将不雅测数据同化到天气瞻望中的想法（在专科方面繁衍出了3 DVAR（三维变分）、4 DVAR（四维变分）以及靠拢卡尔曼滤波（Ensemble Kalman Filtering）等具躯壳式），恰是英国景象局（Met Office）、欧洲中期天气预告中心（ECMWF）以及全球各地景象中心每天为我们准确预告天气的要道。
景象学中数据同化历程暗示图
在这个案例，以及其他数据同化的应用场景里，贝叶斯定理上演的脚色就是，它能精确地告诉我们，“微调”的幅度到底需要多大。它在新数据的启发下赓续更新瞻望，并机灵地兼顾到了一个试验情况，也就是，无论是不雅测数据如故原始瞻望，齐是不完竣的。我们不错利用它来编写出一套算法，从而找到阿谁最好瞻望。
极其得胜的‘卡尔曼滤波’技能也诈欺了相同的理念，即系统性地将系统已有认识与滚滚陆续的数据流联接起来。该技能领先是为了跟踪卫星而发明的，如今却已普及到了千门万户，普通应用于包括飞机导航系统和你口袋里的智高东谈主机在内的无数开采中。这种想法还进一步被应用在了当代机器学习范畴，其中复杂的神经采集恰是在海量（且可能并不完全可靠的）数据的“投喂”下赓续罗致老师，从而学会去奉行各式琳琅满主见任务。
不错绝不夸张地说，我们如今的当代寰宇，恰是建立在贝叶斯定理及其无数神奇应用的基础之上。
筹划制作
开端丨中科院物理所（id:cas-iop）星空app官网版
发布于：北京市雅博体育app下载中国官网入口