歡迎來到貝氏統計（Bayesian Statistics）的世界！

你好！今天我們要深入探討精算師工具箱中最強大的工具之一：貝氏定理（Bayes' Theorem）。本章節是你在 CS1 考試中「貝氏統計」部分的基石。如果過去你覺得機率學有點抽象，請別擔心——貝氏定理其實非常合乎邏輯。簡單來說，它就是一種當你獲得新資訊時，用來更新你原有認知的數學方法。

想像一下你是一名偵探。你最初有一個「預感」（先驗機率），接著你發現了一條新線索，然後你利用這條線索計算出一個更新、更準確的機率。讓我們一步步來拆解吧！


1. 基礎知識：什麼是條件機率（Conditional Probability）？

在看公式之前，我們先溫習一個你可能已經接觸過的概念：條件機率。這是在「已知另一事件已經發生」的條件下，某個事件發生的機率。

我們將其寫為 \( P(A|B) \)，讀作「在給定 B 的情況下，A 發生的機率」。

重點複習：
• \( P(A) \)：事件 A 單獨發生的機率。
• \( P(A \cap B) \)：事件 A 和 B 同時發生的機率。
• \( P(A|B) = \frac{P(A \cap B)}{P(B)} \)：條件機率的計算公式。

類比： 想像你正在估算會下雨的機率（\( A \)）。如果我告訴你天空現在烏雲密布（\( B \)），你對下雨的預期機率很可能會提高。這就是你在計算 \( P(下雨 | 有雲) \)。


2. 引入貝氏定理

貝氏定理讓我們能夠「翻轉」條件機率。如果我們已知 \( P(B|A) \)，貝氏定理能幫助我們求出 \( P(A|B) \)。

標準公式：
\( P(A|B) = \frac{P(B|A) \times P(A)}{P(B)} \)

為了方便準備 CS1 考試，我們給這些部分賦予了特別的名稱：

1. 先驗機率（Prior Probability）\( P(A) \)： 在看到證據之前，我們對事件的認知。
2. 概似度（Likelihood）\( P(B|A) \)： 假設我們的假設 \( A \) 為真，證據 \( B \) 發生的可能性有多大。
3. 後驗機率（Posterior Probability）\( P(A|B) \)： 在看到證據之後，我們更新後的認知。
4. 歸一化常數（Normalising Constant）\( P(B) \)： 在所有可能情況下，證據發生的總機率。

你知道嗎？ 貝氏定理是以 18 世紀的牧師湯馬斯·貝葉斯（Thomas Bayes）命名的。他生前其實從未發表過這個定理！是他的一位朋友李察·普萊斯（Richard Price）在貝葉斯去世後發現了他的手稿，並意識到這個概念對科學和統計學有多具革命性，才將其公開。


3. 全機率定理（分母的來源）

學生通常覺得分數下方的分母 \( P(B) \) 最令人頭痛。要找出 \( B \) 發生的總機率，我們必須考慮所有導致 \( B \) 發生的不同途徑。

如果 \( A \) 只有兩種可能性（假設為 \( A \) 發生或不發生，後者記作 \( A' \)），那麼：
\( P(B) = P(B|A)P(A) + P(B|A')P(A') \)

逐步拆解：
想像你是一位保險精算師。你有「優良駕駛」（\( G \)）和「不良駕駛」（\( B \)）。你想知道隨機挑選的一個人提出索賠（\( C \)）的機率。
1. 找出優良駕駛提出索賠的機率：\( P(C|G)P(G) \)。
2. 找出不良駕駛提出索賠的機率：\( P(C|B)P(B) \)。
3. 將兩者相加，得出索賠的總機率：\( P(C) \)。


4. 真實世界的精算例子

讓我們用一個經典的考試情境將上述概念結合起來。如果一開始覺得有點難，別擔心，跟著步驟做就行了。

情境： 一家保險公司知道其保單持有者中有 10% 是「高風險」，90% 是「低風險」。高風險駕駛一年內發生意外的機率是 0.4；而低風險駕駛則為 0.2。一位保單持有者剛剛發生了意外，請問他是「高風險」駕駛的機率是多少？

步驟 1：確認已知條件（先驗機率與概似度）
\( P(高風險) = 0.10 \)
\( P(低風險) = 0.90 \)
\( P(意外 | 高風險) = 0.40 \)
\( P(意外 | 低風險) = 0.20 \)

步驟 2：計算證據的總機率（分母）
\( P(意外) = (0.40 \times 0.10) + (0.20 \times 0.90) \)
\( P(意外) = 0.04 + 0.18 = 0.22 \)

步驟 3：應用貝氏定理（後驗機率）
\( P(高風險 | 意外) = \frac{P(意外 | 高風險) \times P(高風險)}{P(意外)} \)
\( P(高風險 | 意外) = \frac{0.40 \times 0.10}{0.22} = \frac{0.04}{0.22} = 0.1818 \)

重點總結： 在意外發生前，我們認為他是高風險的機率只有 10%。而在意外發生後，這個機率跳升到了大約 18.2%。證據改變了我們的判斷！


5. 避開常見錯誤

即使是最優秀的學生也常犯這些錯誤，所以請務必小心：

• 混淆 \( P(A|B) \) 與 \( P(B|A) \)： 隨時問自己：「我已經確切知道什麼？」那個已知條件就放在垂直線（|）的後面。
• 忘記乘以先驗機率： 這不僅僅是關於證據本身發生的機率，還關乎該事件最初發生的機率。
• 機率總和不為 1： 你最初的分類（例如「高風險」與「低風險」）必須涵蓋總體的 100%。


6. 總結與快速複習

等等！在繼續下一章之前，請記住：

• 貝氏定理用於在獲得新數據時更新機率。
• 先驗（Prior）是「之前」的機率；後驗（Posterior）是「之後」的機率。
• 利用全機率定理（Law of Total Probability）找出分母——它只是所有通往該證據的路徑之總和。
• 在 CS1 考試中，畫一個樹狀圖（Tree Diagram）是救命稻草！每個分支代表計算的一環，這能讓你更不容易算錯或漏掉數字。

你一定做得到的！ 貝氏定理就是一道邏輯謎題。一旦你找出了先驗機率和概似度，剩下的就只是簡單的算術。多練習幾個樹狀圖，你很快就會成為貝氏統計的高手！