Modelling with probability

简介：为何要进行概率建模？

欢迎来到 A Level 统计学课程中最实用的部分！建模（Modelling）的过程，就是将现实中复杂凌乱的情况简化为数学框架。在本章中，我们将专注于如何选择合适的“工具”（例如二项分布或正态分布）来呈现现实生活中的情境。

你可以把数学模型想象成一张地图。地图并非真实的地面——它只是一个帮助你导航的简化版本。如果地图太简单，你会迷路；如果太复杂，你又会看不懂。学习“概率建模”就是要找到那个完美的平衡点！

1. 什么是好的模型？

统计模型是对现实世界过程的简化描述。我们使用模型来计算概率并进行预测，而不必在现实中测试每一种可能性。

要建立一个模型，我们必须做出假设（Assumptions）。假设是为了让数学运算可行而“预设”成立的条件。例如，抛硬币时，我们会假设硬币是“公平的”，且每一次抛掷都不会影响下一次。

快速重温：离散与连续

在选择模型之前，请先检查你的数据类型：

• 离散数据（Discrete Data）： 你可以数出来的事物（例如：学生人数、入球数）。我们通常在这里使用二项分布（Binomial Distribution）。
• 连续数据（Continuous Data）： 你可以测量出来的事物（例如：身高、时间、重量）。我们通常在这里使用正态分布（Normal Distribution）。

重点总结： 模型的准确度取决于其假设。如果你的假设是错的，预测结果也会跟着出错！

2. 评估二项分布模型

二项分布（Binomial Distribution） \( B(n, p) \) 是离散数据的经典模型。但你不能把它套用在所有情况！要使用它，情境必须通过“BINS”测试。

BINS 测试

• B – 二元（Binary）： 结果是否只有两种？（成功或失败）。
• I – 独立（Independent）： 一次试验是否对下一次没有任何影响？
• N – 次数（Number）： 试验次数（\( n \)）是否固定？
• S – 成功率（Success）： 每次成功的概率（\( p \)）是否始终保持不变？

二项模型失效的时候（现实案例）

如果起初觉得这些判断有点棘手也不用担心；识别模型缺陷是一项随着练习而提升的技能！以下是二项模型可能不适用的常见原因：

例子 1：预测下周每天会不会下雨。
缺陷： 独立性。如果今天下雨，受低压系统持续影响，明天降雨的概率会更高。因此，各次试验并不独立。

例子 2：投篮直到投进 5 球为止。
缺陷： 固定试验次数。在这里，试验次数（\( n \)）不是固定的；你必须一直投直到达成目标。这不符合 BINS 中的 "N"。

例子 3：学生在 10 题测验中的表现。
缺陷： 固定成功概率。当学生感到疲倦，或题目难度越往后越高时，答对题目（\( p \)）的概率可能会改变。这不符合 BINS 中的 "S"。

你知道吗？ 在生物学中，二项模型常被用来预测后代的性别，但即使在那里，科学家也一直在争论“生男”的概率在所有家庭中是否真的完全恒定！

3. 评估正态分布模型

正态分布（Normal Distribution） \( X \sim N(\mu, \sigma^2) \) 就是所谓的“钟形曲线”。它是处理身高或考试分数等连续数据的首选模型。

何时使用正态分布模型

• 数据必须是连续的。
• 分布必须是对称的（平均值两侧看起来是一样的）。
• 大多数数据点都集中在平均值（Mean）附近，远离平均值（尾部）的数据非常少。

正态模型失效的时候

有时候“钟形曲线”并不符合真实数据的状况：

• 偏态（Skewness）： 如果数据在某一侧有“长尾”（例如房价或收入，少数亿万富翁会把平均值拉高），那么正态模型将具有误导性。
• 离散数据： 正态分布是用于连续测量的。如果你试图用正态曲线为“家庭成员人数”建模，你可能会得到“2.4 个孩子”这样的结果，这在现实中是不可能的！
• 离群值（Outliers）： 如果极端值的出现频率比模型预测的更高（例如股市中的“黑天鹅”事件），那么正态模型就显得过于简单了。

记忆小撇步： 把正态曲线想象成一座山。如果你的数据看起来像一个悬崖（数据集中在一侧）或是平坦的平原，那么正态模型就不是正确的地图！

4. 优化模型：让它变得更好

如果你发现模型“不适用”，你有两个选择：修正（Refine）假设，或更换模型。

常见的优化方法

1. 连续性校正（Continuity Correction）： 如果你使用连续模型（正态）来近似离散模型（二项），则必须进行调整。例如，若要求“至少 5 次”（\( X \ge 5 \)），在正态模型中你实际需要计算 \( P(X > 4.5) \)。
2. 分段处理（Segmenting）： 如果 \( p \) 不是常数（如天气），你可以将早上和下午分开建模，使每个分组内的概率保持稳定。

评估“潜在影响”

考试常问：“如果这个假设错误，会造成什么影响？”

• 如果你假设独立性，但实际上试验是相关的，你的模型通常会低估极端连胜（例如连续赢 10 场）出现的机会。
• 如果你假设概率固定，但实际上概率一直在下降，你的模型将会高估成功的总次数。

总结表：如何选择你的模型

快速重温表：

特征	二项分布 \( B(n, p) \)	正态分布 \( N(\mu, \sigma^2) \)
数据类型	离散（计数）	连续（测量）
形状	可以是偏态	必须是对称的
关键假设	独立性 & 概率 \( p \) 固定	钟形分布 & 无离群值

避免常见错误

• 错误： 在进行二项分布计算前，忘记检查“BINS”准则。请务必注明该情境为何符合条件。
• 错误： 对明显呈现偏态的数据（如人们花在社交媒体上的时间）使用正态分布。
• 错误： 假设样本大就一定是正态分布。样本大小无法修正错误的数据形状！

最后鼓励： 建模比起解方程感觉可能比较“模糊”，但这正是数学真正威力所在。不要害怕批评模型——在现实世界中，顶尖的统计学家正是那些清楚知道自己模型何时会失效的人！