先見之明是好的,要當事前諸葛亮,能洞燭機先。至於事後諸葛亮,事後的先見之明,放馬後炮,或者就簡單的說“後見之明”,通常便不是讚美。但從估計的角度,對隨機現象,再好的方法,都會有失手的時候。所以,統計估計,先見之明並無法常有。要知“先見”不難,人人皆可,“明”就不易做到了。因為如此,後見之明,就最好要掌握住,否則便一點都不明了。
我們常說機率值會變。一般人受數學的薰陶較久,熟悉數學中1就是1,永遠是1,不會改變。因此,乍聽之下,可能會莫名所以,機率值怎麼會變?其實機率值會變的概念,人們向來便有。大家應都聽過“曾參殺人”的故事。有人跑去告訴曾子(西元前505-435年)的母親,“曾參殺人”了。殺人者跟曾參同名同姓,這其實是誤傳。造謠生事,曾母豈會輕易相信?以“吾子不殺人”回應,自在地繼續織布(織自若)。不久,又有人來通報“曾參殺人”,曾母還是自在地繼續織布(尚織自若)。過了一會,再度有人來說“曾參殺人”。三人成虎,由不得不信,三十六計,走為上策,曾母嚇的趕緊丟下手中正在織布的杼,翻牆逃離(其母懼,投杼踰牆而走)。
起先曾母認為兒子會殺人的機率微乎其微,但隨著1人、2人、3人來通報,機率逐漸升高。當第3人來通報時,曾母已覺素行端正的兒子,雖不知究竟發生什麼事,但恐怕真的(機率差不多是1)殺人了。這便是條件機率。在給定某條件下,一特定事件的機率,有可能會改變。
如同一般,以符號“∩”表交集。在事件B發生的條件下,事件A發生的機率,以P(A|B)表之,其定義為
P(A|B)=P(A∩B)/P(B)。
事件A發生的機率原本為P(A),如今給定B發生的資訊,情況可能便產生變化。A發生之機率,轉變成條件機率P(A|B)。例如,投擲一公正的骰子,得到點數1的機率為1/6。若有人透露給你,擲出的是奇數點,則你立即知道,1點的機率,便由原本的1/6,增為1/3。會不會有給定B發生,卻不影響A發生之機率的時候?也是有,當A與B獨立,此時P(A|B)=P(A)。
來看個常出現在日常生活中的例子。假設生男生女的機率皆為1/2。有一婦人連生了3個女孩,她一直很想要個男孩,卻擔心生出來的又是女孩。朋友都鼓勵她再生,覺得那有運氣那麼壞的?計算一下,來求P(第4個小孩為女孩|前3個小孩皆為女孩)。依條件機率的定義,其值為
P(4女)/P(前3個為女)=(1/2)4/(1/2)3=1/2,
其中我們寫得簡潔些,4女就是4個小孩全為女孩的意思,餘類推。所以若再生1個,會是男孩與會是女孩的機率,仍皆為1/2,沒有改變。換句話說,“連生了3個女孩”這個資訊,對估計“下胎生女孩”這個事件之機率,並沒有幫助。那為什麼大家常有個印象,已有3個女孩後,有男孩的機率會變大?這很可能與另一問題混淆了。已知一家有4個小孩,原本都不知其性別,如今獲知其中有3個女孩,問另一小孩亦為女孩之機率為何?首先要明白,知道有3個女孩,並不表示4個小孩中,恰有3個為女孩,而是至少有3個為女孩,可能3個,可能4個。此處便是想求P(第4個小孩為女孩|4個小孩中至少有3個為女孩)。依條件機率的定義,其值為
P(4女)/[P(3女1男)+P(4女)]=(1/2)4/[4·(1/2)4+(1/2)4]=1/5。
所以,若一家中有4個小孩,今知其中有3個女孩,則最後1個,便較可能為男孩,機率為4/5,比1/2大很多。當然這是對未知者而言,小孩的父母可能頗不以為然,我明明4個小孩都是女孩,你們怎麼說第4個比較可能是男孩?
讀者想必了解了,後見之明,也不見得那麼容易便有,須能正確解讀所獲資訊之內容。
講到條件機率,便不能不介紹“貝氏定理”。此定理一般歸之於英國牧師貝氏(Thomas Bayes,1702-1761)最先提出。但貝氏並未明確地給出此定理,只討論若干與它相關的問題,拉普拉斯才是第一位完整給出此定理之敘述者。假設事件B1,B2,…,為樣本空間之一分割(partition)。即B1,B2,…,兩兩交集為空集合(稱為互斥事件),且全部聯集為樣本空間。則對任一事件A,
P(A)=Σ∞i=1P(A|Bi)P(Bi)。
如果分割只有有限n個,即B1,B2,…,Bn,則上式便成為
P(A)=Σni=1P(A|Bi)P(Bi)。
如此對每一事件Bj,便有
P(Bj |A)=P(Bj∩A)/P(A)=P(A|Bj)P(Bj)/P(A),
而分母P(A)以之前二式之一代入。底下給一例。