格格党

手机浏览器扫描二维码访问

第8讲 贝叶斯推理的基础 极大似然原理 贝叶斯统计学与内曼－皮尔逊统计学的衔接点（第1页）

第8讲贝叶斯推理的基础：极大似然原理贝叶斯统计学与内曼－皮尔逊统计学的衔接点

8-1贝叶斯统计学与内曼－皮尔逊统计学的共通点

在第5讲与第8讲中，已经对比了标准统计学（内曼－皮尔逊统计学）与贝叶斯统计学在思考方式、逻辑等方面的不同之处。由此可知，这两种统计学之间的差异之大，不可忽视。

其中，尤其明显的一点是，贝叶斯统计学中需要设定先验概率，而内曼-皮尔逊统计学中则完全不涉及这一概念。先验概率是指，对于接下来将要推理的事物，先设想出多个可能的原因，并为这些原因设定“可能的程度”，即先验概率。

那么，这种设想是贝叶斯统计学中特有的吗？实际上并非如此，内曼－皮尔逊统计学中也有与此相通的设想，本讲内容也会阐明这一点。特别是对于很多对贝叶斯统计学的先验概率抱有排斥感的人来说，理解二者之间共通的设想，将有助于缓解这种排斥感。

8-2“极大似然原理”被运用到众多学科当中

标准统计学与贝叶斯统计学的共通之处，在于一种被称为“极大似然原理”的思考方式。

简单来说，“极大似然原理”的含义就是：世界上正在事件，之所以发生，是因为它发生的概率大。

例如，假设引起X象和Y现象的原因，有A和B两种。假设在A原因的情况下，X现象发生的概率远大于Y现象发生的概率。相反，在B原因之下，Y现象发生的概率则远大于X现象发生的概率。那么，假设现在观察到了X现象。那么此时的原因是A还是B呢？

当然，A和B的可能性都存在。但是，如果一定要选一个的话，那么还是应该选A才更为妥当。这种思考方式就是所谓的“极大似然原理”。

我们在日常生活当中，也经常会用到上述思考方式。比如，有人忘记带东西，假设这个人不是A就是B，而这两个人中，A是会经常忘带东西的那个，B则是很少会忘带东西。那么这时，一般我们会推测，忘记带东西的人是A而不是B。

极大似然原理已经植根于我们的思维方式之中，因此被运用到众多学科领域。特别是物理学的一个分支——统计物理，就是利用了极大似然原理来解释各种物理现象。

8-3贝叶斯推理以极大似然原理为基础

贝叶斯推理也运用了极大似然原理，这一点是显而易见的。

回想一下第6讲中的关于壶的推断的问题。从A壶中观察到白球的概率大，而从B壶观察到黑球的概率大。那么现在观察到了黑球，因此判定“该壶应该为B壶”。做出该判断的时候，选择的是使结果的概率最大的那个原因，这正是极大似然原理的体现。在第7讲中，也说明了该推断方法与贝叶斯推理是完全一致的。

下面再来看图表7-4。在推算后验概率时，关键的一点是：对“该壶为A壶且出现黑球”的概率与“该壶为B壶且出现黑球”的概率进行比较。这一比值也是A与B的后验概率之比（1:8）。由于后者的概率明显更大，因而得出“该壶为B壶”的结论。这一思考过程，与“因为原因B会使得观察到黑球出现的概率更大”的道理是相同的，都运用了极大似然原理。

图表7-4两种可能性的消失

回想第3讲中，运用“理由不充分原理”进行贝叶斯推理的例子中讲到：

后验概率为（先验概率）×（条件概率）的比例。

因此，先验概率大或条件概率大的原因，更容易被选择，这也体现了极大似然原理。

8-4内曼－皮尔逊统计学也以极大似然原理为基础

那么，标准统计学（内曼－皮尔逊统计学）是否也与极大似然原理有所关联呢？事实上，极大似然原理并不是运用于推理本身，而是运用于“为统计推理添加依据”的过程当中。

“为统计推理添加依据”是指，在统计学中进行推理时，对于“为什么要这样思考”“这样的思考方式会带来怎样的好处”等问题进行的说明。这里以一种叫作“点推理”的统计推理为例，来具体说明。

现在，假设有一种现象，每天发生一次，或不发生一次。例如“客人总数超过100人”的现象，假设其发生的概率为p，则不发生的概率便为1-p。以10天为单位，对该现象进行观察，结果是10天当中有4天发生了，而剩余的6天没有发生。这时，推断概率p为多少才算合适呢？

关于这一点，最自然的推断应该是这样的：既然10天中有4天发生了该现象，那么概率p应该是4÷10＝0.4。这与统计学中，求“发生次数的平均值”，并以此作为p的推断值，道理是相同的。如果用数值1表示该现象发生，数值0表示该现象未发生，那么观察的数值中，1有4个，0有6个。用相加之和10来相除，平均值为0.4。

此处，有一个疑问是：为何要将发生次数的平均值作为该现象发生概率p的推断值呢？仔细想想，“在这几次当中，该现象发生了几次”与“该现象发生的概率”，其实并没有直接的关联。而为其添加理由的时候，就是运用了极大似然原理。

关于发生概率为p的现象，以下，将“10次中恰好有4次发生该现象的概率”L用含p的公式来表示。计算方法会在第10讲中进行解说，此处只给出结果。