《贝叶斯思维：统计建模的Python学习法》一第1章 贝叶斯定理1.1 条件概率

本节书摘来自异步社区《贝叶斯思维：统计建模的python学习法》一书中的第1章，第1.1节，作者【美】allen b. downey，更多章节内容可以访问云栖社区“异步社区”公众号查看

贝叶斯思维：统计建模的python学习法

所有贝叶斯统计的方法都基于贝叶斯定理，如果有条件概率的学习基础，意识到这一点很自然。因此我们会从概率、条件概率开始，然后到贝叶斯定理，最后讨论贝叶斯统计的内容。

概率表示为0和1之间的数字（包括0和1），含义是某一事件或者预测行为的可信程度，1值表示“事件为真”的情形肯定发生，或表述为预测成真；而0值则表示“事件为真”这一情形为假。

其他中间值表示确定性的程度。例如，0.5通常也会写成50%，意味着一个预测结果发生和不发生有同等可能性。例如，在一个掷硬币事件中，人像面（正面）朝上的概率就非常接近50%。

美国约有3.11亿人，假设随机挑选一个美国人，那么其在明年心脏病发作的概率大约是0.3%。

但就具体个例而言，“我”可不是那个被随意选中的美国人。流行病学家们已经明确了多种影响心脏病发作的风险因素，根据这些因素我的风险则有可能高于或低于平均值。

本人男，45 岁，有临界高胆固醇，这些因素增加了我发病的可能性；然而，血压低、不抽烟这些因素则降低了可能性。

通常条件概率的记号是p(a|b)，表示在给定b条件下a事件发生的概率。在这个例子中，a表示我明年罹患心脏病带的概率，而b表示了上面所罗列的条件。