跳到主要內容

極限::計算

瞭解微分(Differential)的概念之前,要先知道何為極限(Limit),但我們又可以反過來用微分來計算極限。本文以不太嚴謹的方式介紹極限計算常用的夾擠定理(Squeeze theorem)與羅必達法則(L'Hôpital's rule),閱讀本文妳需要有基本的微分能力。 文章難度:\(\spadesuit\)  \(\spadesuit\) / 5

淺談條件機率(一)

在這篇裡面,妳會看到幾篇小故事,夾雜一些旁白(或者說是碎碎念),凡是「小故事」都會用細明體寫成,而「碎碎念」則是標楷體。

().什麼是條件機率Conditional Probability)?
假設小安參加一個電視益智節目,他必須在3個信封(顏色分別是紅、黃、綠)中選出一個,然後會得到所選信封中紙片上所寫的金額:其中有兩個信封中的紙片寫的是100元,第三個寫的是十萬元。
Scenario 1.如果主持人沒有給任何提示,小安任選一個信封,得到十萬元的機率是1/3
Scenario 2.如果主持人在小安選擇之前,先打開紅色信封,並給小安看裡面的紙片寫著100元,那麼小安再選信封,得到十萬元的機率是1/2,而非情況一中的1/3
在這個例子中很容易可以看出,得到十萬元的機率有兩個不同的值,因此一個事件的機率會隨著情境的不同(提供訊息的改變)而可能會有所改變,這便是條件機率的意義。
().貝氏定理用在外遇上

貝氏定理的開始和結束,都是用機率的表達式來表現現實世界事件的可能性。它不會要求你相信這個世界本質上是不確定的,但這個定理卻要你接受,你對這個世界的主觀感知就是在趨近真理。精準預測Nate Silver
在一部電影中,主角是一位律師,他的工作順利,妻子迷人,家庭幸福。他深愛妻子與小孩,卻始終覺得缺少了什麼。
某天晚上他在回家的電車上,注意到一間舞蹈社的窗口站著一位美麗的女子,望著窗外沉思。隔天晚上他再次尋找她,再隔一晚又是如此。之後每個夜晚電車經過她的舞蹈社一次,他就更加為她傾倒。
終於有一晚,他衝動地下了車,報名參加舞蹈課程,希望能和那位女子有真正的邂逅。在他報名了課程,和那位女子頻繁地面對面接觸之後,他發現從前遠望她時那種縈繞心頭的吸引力,慢慢凋零了。他的確愛上了什麼,卻並非那名女子,而是跳舞。
他並未把這個新的轉變告訴任何人,包括家人及同事,而是不斷找藉口晚歸。他的妻子終於發現:老公並不像所說的那樣都在加班。她認為:如果老公有外遇的話,那麼說這種謊話的機率,一定比他沒有外遇要來得高;因此她得到這樣的結論:他有外遇!
假如我們是這個故事裡主角的妻子,我們知道的事實是什麼?
事實:老公每天晚上在外面鬼混。依據這個事實,下面兩個敘述是等價的嗎?如果不是等價的,哪個是電影中妻子的想法?哪個是我們可以得到的結論?
1「假如老公有外遇,因而在外面鬼混」的機率
2「假如老公在外面鬼混,那麼他就是在搞外遇」的機率
在妻子認為她老公外遇之後,心情非常難過及憤怒。在勉強度過了好一段思緒混亂徬徨的生活之後,妻子決心振作起來,用大學修過的機率論,試著計算出在目前混亂的情況下,老公有外遇的機率。
這時候,她遇到了一個關鍵性的問題:在還沒發現老公特意晚歸之前,她相不相信她丈夫的忠貞;用數學量化的方式來說:在老公出現了無故晚歸的現象之前(或者說:剛結婚之後那段甜蜜的日子裡,因為我們相信:從結婚完到事件發生之前,妻子對老公的信任程度都是相同的),她認為老公會出軌的機率有多少?
她發現自己完全無法想像這個在過去從來不曾困擾過自己的問題,而甜蜜的過往對現在的她而言成了剜割心靈的利刃,她已經完全無法相信曾經那麼信任的老公了。
因此傷心的妻子只好去翻閱過去的統計資料:研究發現:在美國本土,任何特定的一年裡,大約有4%已婚的夫婦會對另一半不忠。
另一方面,妻子想像如果自己出軌的話,有五成的機率會忍不住晚歸。她幾乎想像不出如果不是去偷情,怎麼可能天天那麼晚回來?難道是去照顧流浪狗? 她自己都不太相信。因此她在心裡默默認為:如果不是因為出軌,她先生會晚歸的機率是5%
現在我們可以想想,在發現老公無故晚歸的前提下,老公出軌的機率是大還是小了,我們將上述文字整理如下:
假如我們把出軌(Cheat)的事件叫做 C,晚歸(Late)的事件叫做 L
1.      事前機率老公無故晚歸的事件發生之前
丈夫外遇出軌可能性的初始估計:P(C) = 4%
2.      新事件發生:發現老公無故晚歸
                            i.      以丈夫外遇為條件,出現無故晚歸行為的機率:P(L|C) = 50%
                          ii.      以丈夫沒有外遇為條件,出現無故晚歸行為的機率:P(L|C’ ) = 5%
3.       事後機率老公無故晚歸的事件發生之後
已知丈夫無故晚歸,修正後得到他確實出軌的機率:
瞧,事情沒有想像中那麼糟糕,老公晚歸跑去偷情的機率其實並不高,是不是該好好釐清一下呢?

留言

這個網誌中的熱門文章

淺談條件機率(三):貝氏定理的能力(I)

( 五 ) . 貝氏定理的能力( I ) 違反直覺 我們都知道:對於一枚公正的硬幣來說,出現正面和反面的機率皆是 50% ,這代表說:當我們丟 100 次硬幣,出現正面的次數一定會是 50 次嗎? 既然我這樣問了,代表不會剛好 50 次。但直覺上來說,似乎丟 100 次這樣的硬幣,我們得到 50 次正面的機率應該相當的高。實際上,恰好出現 50 次正面的機率只有 8% (雖然是最高的沒錯),出現 40 次正面的機率更低,大概是 1% ;不過要注意的是:出現正面次數在 40 次~ 60 次之間的機率卻高達 96% ! 舉另一個例子: 你看到一套防毒軟體,這個軟體聲稱會對你下載的所有檔案都掃描一次, 病毒偵測準確度達 99% 。 這個「 99% 」令你眼前一亮,心想︰「這個軟體看來相當可靠,準確度 99% 呢!!!」於是你便把它買下,並成功把它安裝了。 安裝了這個軟件一段日子,有一天,這個軟件突然響起警報,這個時候最正常的問題便是「我下載的檔案真的帶有病毒嗎?」又或者說,這個軟體誤鳴的機率有多高? 你認為誤鳴率就是 100% – 99% = 1% 嗎? 首先,我們要知道: 故事裡防毒軟體廣告中的 99% 是指,當有病毒入侵時,有 99% 的機率會響起警報 ß à 而不是當響起警報時,有 99% 機會是真的有病毒 ,這兩個概念是完全不同的。 如果下載的檔案有 0.005 的機會是帶有病毒(為了簡化問題,我們假設平均每 200 個下載的檔案中會遇見一個遭受感染的檔案)。 我們可以畫個表格來量化地說明這個問題: 警報響起 警報沒有響起 TOTAL 有病毒 99% × 0.005 = 0.00495 1% × 0.005 0.005 沒有病毒 1% × 0.995 99% × 0.995 0.995 TOTAL 0.0149 0.9851 運用貝氏定理,我們可以得出以下的結論。 當警報響起時,我們很不幸地下載到了有病毒的檔案的機率是: P ( 有病毒 | 警報響起 ) = 0.00495 / (0.00495+...

淺談條件機率(四):貝氏定理的能力(II)

( 六 ) . 貝氏定理的能力( II ) 倒果為因 你一定不會好奇給老師很多出題空間的貝氏定理為什麼會出現,以及「貝氏」是哪個惱人的傢伙,但我們還是先來談談貝氏乃何許人也吧: Thomas Bayes ( 1702-1761 ),貝氏定理有記載的發明人;他是英國的數學家,也是長老會的牧師。有天,他在「擺弄」條件機率的公式時,赫然發現這些公式都是 對稱 的! 對稱是什麼意思?如果你呼過別人巴掌,或是被呼過巴掌,你就能真正瞭解這個詞的意涵。在這裡我們要呼叫一下牛頓,牛頓的第三運動定律:「作用力與反作用力」敘述的是:當你一巴掌打在別人的臉上,別人也同時用臉打了你的手掌(不過相對於手掌,臉皮還是比較薄,所以能選的話還是用手打人比較好)。 現在我們把手掌換成事件的成因,臉換成結果(事件)。蒐集關於原因的資訊,我們可以計算出某項結果發生的機率,我們稱這是:「 正向機率 ( direct probability )」。而當我們有了發生的機率值,也相當於反向地透露出臉紅是因為被手掌打到(而不是因為害羞)的可能性。 原因暴露了可能結果的資訊;結果中隱含可能原因的資訊,像這樣原因結果互相糾纏,就是條件機率的對稱,用數學的語言來描述就是: … … … (1) 讓我們假設 A 是結果, B 是原因。 P ( A | B ) 就是某項原因引發特定結果的機率; P ( B | A ) 指的是特定結果由某個原因引發的機率。證明很簡單,重新整理條件機率的公式,我們有: … … … (2) A ∩ B 代表某個特定結果和某個特定原因同時發生。而因為 A ∩ B = B ∩ A ,所以把 (2) 裡面所有的 A 換成 B , B 換成 A ,就可以得到 (1) 的結論了。 在 18 世紀,學者們已經能夠計算正向機率。比方說這個例子:假設袋子裡面有 N 個白球與 M 個黑球,摸到黑球的機率有多大?這是個很直覺的問題,我們還在娘胎裡時就會估計了!但是,要回答所謂「正向機率」的問題,有個很重要的先決條件:我們自己必須是 全知 的上帝,掌握這世界上所有的資訊(包括某個亂七八糟袋子裡白球和黑球的數量)。 然而在現實中,我們比較可能碰到的問題是:面對某個很大的袋子,裡面裝了很多很多(真的非常多)各種顏色的球;而因為球太多了,袋子也太大了,我們無法...

淺談條件機率(二)

( 三 ) . 保險像種精確的賭博 保險是這樣運作的:如果你本身很容易發生危險,你就需要支付很多的錢來說服別人保護你;換句話說:在保險公司看來,給你保障的成本(或說是風險)很高。另一方面,如果長期以來,你證明了自己需要保險公司支出的資源很少很少,保險公司保護你的成本很小,你所需要支付的保險費用當然就相應的低了。 以保險公司決定車險費率的模型為例: 現在考慮一個簡化的模型,在這個模型中,所有的人分為兩個群組,一個是 高風險群 ,平均每年發生一次意外;另一個是 低風險群 ,平均每年發生少於一次意外。如果你是個駕駛新手,你應該是屬於哪個風險群呢? 由於保險公司並沒有你的資訊,他們有可能根據一般新手的經驗值,認定你有三分之一的機會屬於高風險群、三分之二的機會屬於低風險群。這種情形下,你的保費就等於三分之一高風險群保費,加上三分之二低風險群保費。 經過一年觀察,保險公司就可以根據這個新數據來重新評估,修正三分之一與三分之二的比例,重新計算保費。隨後幾年,也可以依同樣的方式定期重新評估,看看收取多少才是恰當的保費金額。 Reference : 【精準預測】讀後感 3 ( 四 ) . 真正的賭博 – 21 點的故事 電影決勝 21 點,英文片名就叫作 21 ,改編自小說 “ Bringing down the house ” ( bring down , 有打敗的意思; house ,可以指稱為賭場)。 內容敘述一個 MIT (麻省理工學院)的高材生,獲得了哈佛醫學院的入學資格,但無法支付龐大學費。為了贏取獎學金,這位高材生必須有特別的經歷來讓口試老師驚艷。 有天,這位高材生被教授邀請,加入他領導的神秘的 21 點社團學習算牌。藉由算牌,這個社團贏遍了全美的賭城,而年青人卻漸漸地迷失在金錢世界之中 … 。 Bringing down the house 改編自現實事件,真實世界的主角還是位華人,是一位聰明的馬先生(父親是化工教授)。 在這部電影,為何主角會被教授選上,進入了秘密的 21 點社團呢?原因是,他有來上課!喔,這是必要的!沒有啦,真正的關鍵是教授在上課時,問了一個問題,只有他答對了。 這個問題其實就是有名的 Monty Hall Problem ( Monty Hall 是電視節目主持人的名字):假設有三...