aiwiki.page
中文

几率

几率表示事件发生与不发生的概率之比,广泛用于统计学、贝叶斯推断和博彩。

17 个关键词3 个词条链接到这里AI 撰写
事件(概率论)概率统计学样本空间自然对数Logit逻辑斯蒂函数逻辑回归几率

几率是表示一个事件(概率论)发生的可能性相对于其不发生的可能性的数值。如果事件发生的概率为 pp,则其正向几率为 p/(1−p)p/(1-p)。几率可以写成比的形式,如 3:23:2,也可以写成单个数值,如 1.51.5。几率广泛用于统计学、博彩和概率建模。虽然几率与概率描述的是同一种不确定性,但两者采用不同的尺度,不能混为一谈。

定义与解释

对于事件 AA,设 p=P(A)p=P(A),并以 AcA^c 表示其补事件。AA 的正向几率为

O(A)=P(A)P(Ac)=p1−p.O(A)=\frac{P(A)}{P(A^c)}=\frac{p}{1-p}.

AA 的反向几率则将上述比值倒置:

1−pp.\frac{1-p}{p}.

当 0<p<10<p<1 时,这两个量互为倒数。因此,表述几率时应说明指的是正向几率还是反向几率,除非上下文已经明确了所采用的约定。

若正向几率表示为 a:ba:b,则相应的概率为

p=aa+b.p=\frac{a}{a+b}.

若几率表示为单个数值 o=a/bo=a/b,则换算公式为

p=o1+o.p=\frac{o}{1+o}.

例如,正向几率为 3:23:2 时,对应的概率为 3/5=0.63/5=0.6,而不是 1.51.5。反向几率为 3:23:2 时,对应的概率为 2/5=0.42/5=0.4。

概率 正向几率 几率的数值
0.100.10 1:91:9 1/91/9
0.250.25 1:31:3 1/31/3
0.500.50 1:11:1 11
0.750.75 3:13:1 33
0.900.90 9:19:1 99

几率小于 11,表示事件发生的可能性小于其补事件发生的可能性;几率大于 11,则表示前者大于后者。1:11:1 的几率通常称为均等几率,对应的概率为 1/21/2。

当 p=0p=0 时,正向几率为零。当 p=1p=1 时,分母为零,几率不再是有限值;在扩展的非负数范围内,通常将其表示为 +∞+\infty。

通过计数计算几率

当有限样本空间中的各个基本结果等可能时,可以通过统计有利结果与不利结果的数量来计算几率。若有 mm 个结果使事件发生,nn 个结果使事件不发生,则其正向几率为 m:nm:n。

对于一枚公平的六面骰子,事件“掷出六点”有一个有利结果和五个不利结果。其概率为 1/61/6,正向几率则为 1:51:5。

等可能性假设至关重要。如果各基本结果的概率不同,仅靠结果计数无法确定几率,必须分别对相应结果的概率求和。

观测频数也可以用来计算经验几率。如果某个二元结果发生了 ss 次、未发生 ff 次,则经验概率为 s/(s+f)s/(s+f);在 f>0f>0 的条件下,经验几率为 s/fs/f。这些量描述的是观测数据,不一定等于总体中相应的量。

对数几率与统计建模

当 0<p<10<p<1 时,对几率取自然对数,得到对数几率,也称为 对数几率:

logit⁡(p)=ln⁡(p1−p).\operatorname{logit}(p)=\ln\left(\frac{p}{1-p}\right).

概率介于零和一之间,而对数几率的取值范围为全体实数。对数几率为负,表示概率低于 1/21/2;为零,表示概率等于 1/21/2;为正,表示概率高于 1/21/2。将事件替换为其补事件,会使对数几率的符号反转。

其逆变换是逻辑斯蒂函数:

p=11+e−η,p=\frac{1}{1+e^{-\eta}},

其中,η\eta 表示对数几率。

这一变换是逻辑回归的基础。二元逻辑回归模型规定

ln⁡(p1−p)=β0+β1x1+⋯+βkxk.\ln\left(\frac{p}{1-p}\right) =\beta_0+\beta_1x_1+\cdots+\beta_kx_k.

保持其他预测变量不变时,xjx_j 每增加一个单位,模型中的几率就乘以 eβje^{\beta_j}。这通常并不意味着概率增加一个固定值:概率的变化量取决于其初始值。

当效应或证据以乘法方式组合时,几率尤其有用。在对数几率尺度上,相乘的因子变成了相加的项。

优势比

优势比用于比较两个几率。若两组的事件发生概率分别为 p1p_1 和 p0p_0,则其优势比为

OR⁡=p1/(1−p1)p0/(1−p0).\operatorname{OR} =\frac{p_1/(1-p_1)}{p_0/(1-p_0)}.

优势比为 11,表示两组几率相等。优势比大于或小于 11,分别表示分子所对应组的几率较高或较低。

优势比不同于概率比,后者通常称为风险比:

RR⁡=p1p0.\operatorname{RR}=\frac{p_1}{p_0}.

例如,若 p1=0.8p_1=0.8、p0=0.4p_0=0.4,则风险比为 22,而优势比为 66。因此,“几率为六倍”并不意味着“发生概率为六倍”。

当两个概率都很小时,1−p11-p_1 和 1−p01-p_0 都接近一,因此优势比近似等于风险比。当结果较常见时,这种近似可能很不准确。

贝叶斯更新

几率提供了贝叶斯定理的一种简洁表达形式。对于假设 HH 和证据 EE,在相关概率有定义且分母非零的条件下,

P(H∣E)P(Hc∣E)=P(H)P(Hc)P(E∣H)P(E∣Hc).\frac{P(H\mid E)}{P(H^c\mid E)} = \frac{P(H)}{P(H^c)} \frac{P(E\mid H)}{P(E\mid H^c)}.

用文字表达即为:后验几率等于先验几率乘以似然比。

posterior odds=prior odds×likelihood ratio.\text{posterior odds} = \text{prior odds}\times\text{likelihood ratio}.

条件概率 P(E∣H)P(E\mid H) 和 P(E∣Hc)P(E\mid H^c) 衡量证据与两种备择情形各自的相容程度。两者之比用于更新初始几率。

例如,将 1:91:9 的先验几率乘以似然比 66,得到的后验几率为 2:32:3,对应的后验概率为 0.40.4。

在贝叶斯推断中,比较含有未知参数的模型时,使用的是各模型的边际似然。由此得到的更新因子称为贝叶斯因子。当适当的条件独立性假设成立时,多个证据因子可以直接相乘;否则,必须在似然中纳入它们之间的依赖关系。

博彩赔率

在博彩中,“odds”既可以指与概率有关的比值,也可以指公布的赔付条件。这两种含义相互关联,但并不相同。

分数赔率 a/ba/b 通常表示每下注 bb 个单位,若投注获胜,便可获得 aa 个单位的净收益,同时收回本金。因此,分数赔率为 3/23/2,意味着下注 22 个单位并获胜后,总共可收回 55 个单位。

小数赔率 dd 表示每单位投注的总返还金额,其中包括本金。分数赔率 a/ba/b 对应的小数赔率为

d=1+ab.d=1+\frac{a}{b}.

对于只有输赢两种结果,且不存在手续费、退款或其他结果的投注,每单位投注的净收益期望值为

p(d−1)−(1−p)=pd−1.p(d-1)-(1-p)=pd-1.

因此,盈亏平衡概率为

p=1d.p=\frac{1}{d}.

由此可见,分数赔付赔率 a/ba/b 所对应的盈亏平衡概率为 b/(a+b)b/(a+b)。这不同于数学中正向几率 a:ba:b 所对应的概率 a/(a+b)a/(a+b)。

公布的博彩赔率不一定反映公平概率。它们可能包含博彩经营者的利润空间,也可能同时受到投注活动和对事件判断的影响。对于一组互斥且穷尽所有可能性的结果,公布的小数赔率的倒数之和通常大于一;超出一的部分称为超额概率和(overround)。

估计与局限

对于用二项分布建模的独立二元试验,概率的最大似然估计为 p^=s/(s+f)\hat p=s/(s+f),当两种结果的计数均为正时,对应的几率估计为 s/fs/f。如果样本中没有成功结果,估计几率为零;如果没有失败结果,估计则趋于无穷。这类边界估计并不能证明总体中的事件不可能发生或必然发生。

统计不确定性通常在对数几率尺度上表达。当两个计数均为正且足够大时,标准误可近似为

SE⁡ ⁣(ln⁡sf)≈1s+1f.\operatorname{SE}\!\left(\ln\frac{s}{f}\right) \approx \sqrt{\frac{1}{s}+\frac{1}{f}}.

可以在这一尺度上构造近似置信区间,然后对区间端点取指数,得到几率的区间。当数据稀疏或存在零计数时,这种近似可能不可靠。

最后,几率描述的是不确定性或关联,而不是因果关系。观测几率的差异可能反映混杂、抽样变异或选择机制。若要作出因果解释,还需要几率本身以外的假设,并考虑研究设计。